Lærer datamaskinen å finne risikopasienter
En vanlig komplikasjon blant eldre pasienter etter narkose og operasjon, er å bli forvirret. Men tilstanden, som kalles «postoperativt delirium», er ofte vanskelig å oppdage. I Tromsø har de lært datamaskiner å identifisere pasienter i risikosonen.
Denne saken ble først publisert i Computerworld 28. mai 2019: http://www.cw.no/artikkel/it-helse/finner-risikopasienter
‒ Noen ganger er det svært tydelig etter operasjon og narkose, at pasienten er svært forvirret. Da blir dette kodet som en egen diagnose i pasientjournalen. Men mange ganger kan tegnene på forvirring være diffuse, og går derfor under radaren vår. Likevel dokumenter spesielt sykepleierne alle observasjoner av pasienten underveis i behandlingsforløpet. Vi lurte på om vi kunne bruke kunstig intelligens og datakraft til å analysere dokumentasjonen i pasientjournalen, og se om den klarte å plukke ut pasienter med en lett forvirringstilstand.
Det forklarer professor Arthur Revhaug i Universitetssykehuset Nord-Norge (UNN).
Leter i fritekst
I en pasientjournal kan det ligge enorme mengder informasjon, som bilder, laboratorieprøver og tekst. Notater underveis i behandlingen gjøres som fritekst av både leger og sykepleiere. Alt dette har datamaskinene fått analysere for å lete etter mønster i dokumentasjonen som kan tyde på at pasienten er blitt forvirret.
Resultatene er så lovende etter testingen, at sykehusavdelingen og samarbeidspartnerne nå er på vei til å utvikle et maskinlæringsverktøy som kan hjelpe helsepersonell å stille diagnoser ‒ gi såkalt beslutningsstøtte. De tre som samarbeider om dette prosjektet er gastrokirurgisk avdeling ved UNN, forskningsgruppa for maskinlæring ved UiT ‒ Norges arktiske universitet og Nasjonalt senter for e-helseforskning.
Viktig for pasienten
‒ For pasienten er det viktig å få avdekket komplikasjoner etter operasjon, for å få tidlig og riktig oppfølging. Forvirring er en tilstand som kan gi økt dødelighet, økt sjanse for reinnleggelse ved sykehus, og andre alvorlige konsekvenser. Du blir rett og slett mindre i stand til å ta vare på deg selv. Graden kan variere fra at man glemmer rutiner som å ta medisin, til at det inntreffer en nærmest psykotisk tilstand, forklarer Revhaug.
Siden resultatene har vært så gode, har UNN nå ansatt matematikeren bak maskinlæringen, Karl Øyvind Mikalsen. Han skal forsøke å bruke maskinlæring for å identifisere enda flere komplikasjoner etter operasjon.
‒ På sikt kan dette utviklingsarbeidet bli svært så betydningsfullt både for kvaliteten i pasientbehandlingen og for pasientsikkerheten, sier Revhaug.
Anerkjennes internasjonalt
Teknisk sett er det ingenting i veien for å ta maskinlæringsmetoden i bruk i norske sykehus, men juridisk og ikke minst praktisk er det til dels betydelige hindringer i veien. Derfor ser det foreløpig ut for at Nederland blir det første landet i verden som operasjonelt tester ut liknende nyutviklet teknologi i større skala ‒ basert på disse resultatene og i samarbeid med teamet fra Tromsø.
‒ Det som vi og spesielt Karl Øyvind har gjort, har vakt anerkjennelse ‒ faktisk begeistring, også i utlandet. Det er lite forskning på kvalitetssikring av pasientbehandling ved hjelp av data fra pasientjournalen internasjonalt, forteller professor Robert Jenssen.
Han leder forskningsgruppa innen Maskinlæring ved UiT, og har vært hovedveileder for Karl Øyvind Mikalsen.
De tre samarbeidspartnerne i Tromsø, som nærmest ligger vegg i vegg, har jobbet målrettet med maskinlæring i mange år og har lyktes i å ligge langt framme på feltet.
Forskningsartikkelen knyttet til akkurat dette prosjektet, som Karl Øyvind Mikalsen, Robert Jenssen, Arthur Revhaug og Stein Olav Skrøvseth har skrevet sammen, ble nylig tildelt prisen for «Beste artikkel» i kategorien datadrevet beslutningsstøtte. Prisen deles ut av International Medical Informatics Association.
Finner mønster det er umulig å se
‒ Det er kun ved hjelp av maskinlæring at vi klarer å finne disse mønstrene i dokumentasjonen i pasientjournalene. Vi klarer ikke se dem ved hjelp av tradisjonelle og manuelle metoder. Ved å bruke kunstig intelligens gjør vi kvalitetsarbeidet vårt sikrere og mer effektivt, mener Revhaug.
Basert på datamaskinens funn kan leger og sykepleiere kontrollere om pasienten har en postoperativ komplikasjon som må følges opp.
1138 anonymiserte pasientjournaler og 20.000 ulike variabler er med i datasettet som maskinen har hentet læring fra. Revhaug er ekstra imponert fordi Mikalsen og Jenssen har klart å lære datamaskinen å forstå både norsk bokmål, dialekt og svensk, siden det dokumenteres i mange ulike språklige stilarter. Modellen UiT har utviklet kan konverteres til å forstå alle verdens språk.
‒ Datamaskinen forstår jo ikke bokstaver, kun tall, og du er avhengig av å gi den gode data den kan analysere. Søppel inn gir søppel ut, poengterer Mikalsen.
For maskinlæringsteamet ved universitetet handler mye om å systematisere informasjonen og oversette den til tallkoder. Deretter starter jobben med å lære maskinen å lete etter de rette tallkombinasjonene. Men en kritisk del av det er å tilrettelegge informasjonen i pasientjournalene, slik at den er mulig å analysere for en datamaskin. Her er det viktig at matematikere og statistikere samarbeider tett med leger og sykepleiere, som vet hvilke observasjoner i en journal som vil være relevante for den spesifikke diagnosen maskinen skal jakte på.
Viktig samarbeid
Samarbeidet i Tromsø er lite og unikt, men samtidig betydningsfullt og stort.
‒ Dette kunne ikke vært gjort av noen av oss alene, det er samarbeidet som skaper resultater. Det å utvikle nye metoder krever engasjement og evne til å få tverrfaglige kompetansemiljø til å jobbe mot felles mål, sier Stein Olav Skrøvseth, leder for Nasjonalt senter for e-helseforskning.
‒ I den forbindelse må vi få rose Karl Øyvind, som har trukket lasset. Resultatene som er oppnådd er en del av hans doktorgradsarbeid, sier Robert Jenssen.