Kunnskapsheving Health Analytics

Prosjektbeskrivelse

Prosjektet skal gjøre en oppsummering av kunnskap inn health analytics (helsedataanalyse) med fokus på kunstig intelligens og maskinlæring.

Begrep som kunstig intelligens og maskinlæring har fått høy aktualitet i løpet av de siste årene og «hypen» rundt disse teknologiene er betydelig. Det er økende forventning i samfunnet og i helsetjenesten knyttet til mulighetene for som teknologiene kan bidra med for å løse større samfunnsutfordringer knyttet til demografiske utfordringer, tilgang på helsearbeidere og innbyggere som vil ha skreddersydde helsetjenester.

Leverandørene bruker begrepene aktivt i markedsføringen av sine løsninger og produkter. Det kan være uklart hva som egentlig ligger av meningsinnhold og muligheter i disse begrepene for innbyggere, kommuner og sykehus. Dette prosjektet skal bidra til å rydde i begreper og samtidig bidra til å relatere maskinlæringsfeltet til den nasjonale e-helsestrategien og handlingsplanen.


Mål

Prosjektet skal bidra til bedre forståelse av hva health analytics (helsedataanalyse) er og hvordan denne kan komme til nytte i helsetjenesten.

Konklusjon

Kunstig intelligens (AI), slik status på feltet er i dag, handler i praksis om ulike former for maskinlæring (ML). Maskinlæring handler oftest om å gjenkjenne mønstre i store datasett, både tall, bilder, tekst og tale. Dette er langt unna den opprinnelige definisjonen av AI: å utføre alle intellektuelle oppgaver som et menneske kan.

Maskinlæring vil bli et nyttig verktøy, men det er viktig at leverandører, forskere og andre ikke lover for mye for tidlig ved å overselge mulighetene i teknologien, og love raske, radikale endringer. Det er lite realistisk å tro at maskinlæring kommer til å revolusjonere helsetjenesten i løpet av kort tid, kurere kreft, gjøre radiologer eller andre leger overflødige, osv. Utvikling og utprøvinger av algoritmer skjer i et høyt tempo. Det er likevel et langt stykke fra det å vise positive resultater i avgrensede utprøvinger til klinisk bruk, der eventuelle feil kan få store negative følger for pasientenes liv og helse. ML-algoritmer kan på en effektiv måte automatisere spesifikke oppgaver, men de ML-systemene vi ser i dag og de nærmeste årene vil være støtteverktøy for klinikerne og ikke autonome systemer som tar overordnede kliniske avgjørelser.

Etter hvert som ML-teknologien blir mer moden og tas mer i bruk vil den bli tatt mer som en selvfølge på linje med andre teknologier. Det viktige vil bli applikasjonene i seg selv og ikke teknologien bak. For klinikerne er teknologien i seg selv lite interessant. En lignende utvikling har vi sett på mange andre områder. Ny og spennende teknologi får i begynnelsen svært stor oppmerksomhet, for etter hvert å bli en selvfølge som ingen snakker om lenger. Når vi kommer dit at maskinlæring inngår i de fleste systemer, vil det ha liten hensikt for leverandørene å bruke merkelappene AI/maskinlæring i markedsføringen av sine løsninger.

Maskinlæring har i likhet med annen teknologi som brukes innenfor helse verdi bare dersom den fører til bedre helse eller livskvalitet for pasienten, eller bedre ressursbruk og reduserte kostnader for helsetjenesten. Prediktive analyser som ikke kan følges opp av intervensjoner har liten verdi. Innføring av løsninger må være behovsdrevet og ikke tilbudsdrevet. En strategi for å vurdere ML-teknologien kan være å starte med å se på kliniske behov opp mot teknologiske muligheter for å identifisere gode case for pilotprosjekt. Piloter som viser gode resultater kan deretter skaleres opp. Målet med denne rapporten er å bidra med kunnskap som kan gi klinikere, beslutningstakere og andre et bedre grunnlag for å lage og gjennomføre en slik strategi.

ML-systemer fra internasjonale leverandører som ikke er testet i Norge, med norske pasienter og i norsk helsetjeneste, kan ikke uten videre tas i bruk her. ML-systemer er sterkt påvirket av treningsdataene som er brukt. Det er usikkert om pasientene systemet er trent på er representative for norske pasienter, eller om systemet vil være påvirket av lokale forhold med tanke på organisering, demografi eller lignende. Kanskje er det nødvendig med ytterligere trening av systemet i en norsk kontekst før det kan benyttes. Dette må uansett testes grundig før eventuell implementering.