Health analytics: Kunstig intelligens–nye muligheter for helsetjenesten


Nedlastbar PDF

Sammendrag av rapporten

Økende utbredelse av informasjonssystemer i helsetjenesten og digitaliseringen av helsedata fører til at enorme datamengder genereres. Ny teknologi gjør det mulig å samle inn, lagre og behandle data raskt og kostnadseffektivt. Det ligger et stort potensial i disse dataene, innen helsetjenesteyting (primærbruk) og kvalitetsforbedring, forskning, folkehelse, styring og planlegging (sekundærbruk). Health analytics og kunstig intelligens-metoder som maskinlæring gir ny innsikt. Dette kan bidra til å skape en helsetjeneste med bedre prediksjoner, bedre behandling og høyere kvalitet.

Helsedata er komplekse. Strukturerte og ustrukturerte data er lagret i mange ulike systemer i ulike formater. Semantisk interoperabilitet mellom systemer er ofte mangelfull. For å få ny innsikt i helse-data er det nødvendig med effektive analytiske verktøy og metoder, i tillegg til sømløs behandling av helsedataene. Kombinasjonen av store mengder varierte data, datakraft og bedre metoder har gitt store fremskritt. Det muliggjør rask og automatisert produksjon av maskinlæringsalgoritmer som kan analysere komplekse data med nøyaktige resultater.

Health analytics bruker avanserte metoder som maskinlæring, datautvinning (datamining), prosess-mining og prosessering av naturlig språk til å avdekke mønstre som gir innsikt i hvordan helsetjenes-ten kan forbedres, samtidig som utgiftene begrenses.

For å realisere proaktive helsetjenester er prediktive analyser et viktig verktøy for å kunne forebygge og behandle. Helsetjenesten har behov for å identifisere pasienter som har risiko for å utvikle et alvorlig medisinsk problem. Health analytics har metoder som kan hjelpe til med å forutsi hvilke sykehuspasienter som har høy risiko. Persontilpasset medisin er et område der maskinlæring har et stort potensial, med gendata som viktig kilde.

Maskinlæring (ML) har blitt testet i mange forsknings- og utprøvingsprosjekter med lovende resultater. Dette er stort sett gjort på utsiden av de kliniske systemene. Verktøyene og plattformene som brukes krever kompetanse innen maskinlæring, statistikk og programmering og egner seg ikke for en sluttbruker. For å ta i bruk maskinlæring i klinisk praksis må algoritmene integreres i klinikerens arbeidsflyt på en brukervennlig måte. Dersom ML-systemet skal brukes til klinisk beslutningsstøtte er tilgang til data om enkeltpasienter nødvendig, i tillegg til den ferdig trente ML-modellen. Det betyr at ML-systemet må være integrert med elektronisk pasientjournal (EPJ) eller andre systemer der data er lagret. Dette kan gjøres på flere måter, enten ved at det bygges inn i EPJ-systemet/radiologisystemet, eller det kan leveres som en skytjeneste fra en tredjepartstilbyder eller i en privat nettsky.