Teknologi Primærhelsetjenesten

KI i primærhelsetjenesten – hva slags data egner seg til å automatisere den første kontakten med pasientene?

Anastacia Simonchik

<span id="hs_cos_wrapper_name" class="hs_cos_wrapper hs_cos_wrapper_meta_field hs_cos_wrapper_type_text" style="" data-hs-cos-general-type="meta_field" data-hs-cos-type="text" >KI i primærhelsetjenesten – hva slags data egner seg til å automatisere den første kontakten med pasientene?</span>

Den første kontakten med pasientene er allerede i ferd med å bli automatisert – og det er her data kommer inn i bildet: Hva slags data bør brukes for å vise vei? Har helsesektoren den typen data, og hvor nøyaktige er de? I denne artikkelen ser vi nærmere på det viktigste elementet for å kunne automatisere den første kontakten med pasientene.

Når vi har kartlagt behovene til sluttbrukerne våre, dvs. pasientene og helsemedarbeiderne, bør vi vurdere hva slags teknologi vi bør velge når vi skal bygge automatiserte pasientkontaktløsninger. Kravene er følgende: a) De må dekke sluttbrukernes behov godt nok fra starten av, b) oppfylle alle kritiske suksessfaktorer – i vårt tilfelle åpenhet, bevissthet rundt medisinsk kontekst og integrering i den digitale og fysiske flyten, og c) gjøre det mulig å utvikle løsningen på lengre sikt. Hvilken teknologi er det som kan oppfylle disse kravene i primærhelsetjenesten?

For mange ligger svaret på dette spørsmålet i pasientdatakildene: Hva slags data har du? Det mest populære svaret og ofte det første man tenker på, er historiske data fra mange år med pasientjournaler. Fordelen med denne typen data er utvilsomt tidsseriedekningen som vi kan akkumulere i stor målestokk. Men i virkeligheten overser mange at en stor del av disse dataene (ikke sjelden opptil 95–99 %) simpelthen ikke passer til formålet, eller er vanskelig å skaffe. Og siden de kommer fra gamle systemer, trengs det en god slump penger for å strukturere og justere datasettene.

Den andre typen data som er verdt å tenke på, er nylig genererte data. De er ofte langt mer ensartet, men krevende å samle inn. Dessuten må de settes i en praktisk kontekst for fremtidig bruk. Før store datasett samles inn, må vi danne oss et bilde av hvilke datapunkter vi kanskje må samle inn. Her gjelder det å balansere og være pragmatisk nok til å «gjette» nøyaktig hvor mange datapunkter som vil være tilstrekkelig, men også gjennomførbart for det tenkte bruksområdet.

Vi hører ofte om disse to typene datasett, men det finnes en tredje type data som ofte blir oversett når det gjelder KI: Ekspertdomenekunnskap. Det er nettopp i primærhelsetjenesten at denne verdifulle ressursen ikke bør ignoreres. Legevitenskapen har i flere århundrer samlet kunnskap som beskriver koblinger mellom symptomer og diagnoser hos pasienter. Spørsmålet for oss føles nesten retorisk – hvorfor er ikke gjenbruk aktuelt?

Få vil være uenig i at selv om elektroniske pasientjournaler begynner å få noen år på baken over hele verden, lider primærhelsetjenesten av kronisk mangel på perfekte datasett som objektivt kan beskrive alle tilstandene i primærhelsetjenesten. Samtidig vil datatype, -mengde og -kvalitet være med på å bestemme hvordan den automatiserte løsningen skal utvikles. Slik er det på praktisk talt alle områder. Heldigvis finnes det flere veier frem til målet mens vi skaper intelligente systemer. Så avhengig av hva slags data vi velger, hvordan kan vi utvikle løsningen vår?