How to choose an automated triage and medical history tool

Veiledning

Slik velger du verktøy for automatisert anamnese og triage

Hvordan vil helseorganisasjonen finne de riktige verktøyene for automatisert anamnese og triage i en jungel av ulike verktøy?

Innhold

I dag er det tydeligere enn noensinne at helsevesenet må bruke tiden sin så effektivt som mulig for å hjelpe de som trenger det mest. Derfor er det ikke rart at flere og flere helseorganisasjoner innser verdien av et automatisert anamnese- og triageverktøy, som kan kompilere pasientenes symptomer og sykehistorie og veilede dem til riktig type helsetjeneste.

En slik løsning kan ikke, og bør ikke, erstatte det viktige arbeidet til helsepersonellet. Derimot må man sørge for at verktøyet faktisk skaper den merverdien som er nødvendig for å støtte og effektivisere arbeidet til helsepersonellet, både i dag og på lang sikt.

Men hvordan vil helseorganisasjonen finne de riktige verktøyene i en jungel av ulike verktøy?

Vi har listet opp en rekke spørsmål som du bør ta med deg når du snakker med forskjellige leverandører (hvorav det ene får ekstra stor plass i denne veiledningen).

Start fra bunnen av!

Noen ganger er det vanskelig å vite hvor du skal begynne når det er mange ting du ønsker å oppnå. Å kjøpe eller anskaffe et automatisert anamnese- og triageverktøy er en investering som vil påvirke hele organisasjonen, både ansatte og prosesser. Det er viktig å føle seg trygg på at du velger den rette.

Det er en rekke spørsmål som det er viktig å få svar på:

  • Hva ønsker du å oppnå med verktøyet – i dag og i fremtiden?
  • Hvordan fungerer verktøyet?
  • Kan verktøyet integreres med eksisterende verktøy? Hvis ja, hvordan?
  • Hvor mange symptomer og diagnoser kan verktøyet håndtere?
  • Hvor mye løpende arbeid vil verktøyet kreve fra helseorganisasjonen?
  • Kan verktøyet håndtere flere forskjellige behandlingsområder eller bare primærhelsetjenesten?
  • Er det mulig å koble verktøyet til andre nettverk og datakilder?
  • Er verktøyet fleksibelt, dvs. er det mulig å tilpasse funksjonaliteten basert på dine egne behov?
  • Hvordan sikres evidens og kvalitet?

Det aller første spørsmålet som bør stilles, er:

Hva ønsker du å oppnå med verktøyet – i dag og i fremtiden?

Det er viktig at du formulerer hvilke problemer du forventer at verktøyet skal løse. Trenger du støtte som kan fungere generelt i primærhelsetjenesten? Eller vil du ha en løsning som til slutt kan brukes på flere områder, som kan håndtere mer komplekse tilfeller, og som i det lange løp kan brukes mer autonomt for å veilede pasienten riktig?

Ettersom potensialet i et verktøy er sterkt knyttet til den underliggende strukturen det er bygget på, vil vi automatisk komme inn i neste spørsmål, som vil ta ganske mye plass i denne veiledningen:

Hvilken modell er verktøyet bygget på?

Dette spørsmålet bør stilles tidlig, da dette er av stor betydning for mulighetene og begrensningene i verktøyet. Men først, litt informasjon om noen mulige modeller:

Regelbaserte ekspertsystemer

I dag er de fleste automatiserte verktøyene for triage og anamnese basert på et regelbasert ekspertsystem (noen ganger også kalt beslutningstaking eller strukturerte skjemaer). Verktøy som hjelper sykepleiere med å gi råd og vurdere behandlingsbehov er ofte bygget på dette systemet. I et automatisert verktøy basert på denne modellen får pasienten svare på spørsmål i henhold til prinsippet om ja/nei, over/under, etc., og avhengig av svaret, går de videre til forskjellige forhåndsbestemte grener i treet, basert på ulike scenarier og tilkoblinger som er angitt.

Et regelbasert ekspertsystem har sine fordeler. Det er klart, gjennomsiktig og kan være ideelt i situasjoner med relativt enkle problemer og verktøy.

Men man bør ta følgende med i betraktning:

  • Ethvert mulig scenario må legges inn på forhånd

Å måtte manuelt legge inn og vedlikeholde tusenvis av mulige scenarier i systemet, stiller ikke bare høye krav til de som skal beskrive alle disse scenariene – det innebærer også et enormt arbeid som koster tid og penger.

  • Du kan bare håndtere ett symptom om gangen

Pasienter har sjelden bare ett symptom, som regel har de mange parallelle symptomer som alle må vurderes. Hvis man bare kan velge ett symptom, kan det dessuten være vanskelig for pasienten å bestemme hvilken som skal velges, noe som kan bety at de oppgir «Annet» bare for sikkerhets skyld – en bane som få verktøy kan håndtere.

  • Kan ikke endre spor

Strukturen i modellen begrenser muligheten til å endre spor når et spor er valgt.
Ting følger ikke alltid en bestemt linje – det som i utgangspunktet syntes å være magekatarr kan vise seg å være et problem knyttet til en psykisk lidelse. En sykepleier som gir råd over telefonen kan enkelt endre spor når de innser dette, i motsetning til et regelbasert ekspertsystem. Det faktum at scenarier er forhåndsbestemt innebærer risiko for at verktøyet vil bli generaliserende i stedet for individualisert og pasientsentrert.

  • Modellen krever i stor grad menneskelige bidrag

Det kan være verdt å nevne igjen – et automatisert verktøy kan ikke og bør ikke fullt ut erstatte helsepersonell. Men et verktøy basert på et regelbasert ekspertsystem vil kreve relativt stor innsats fra et menneske som kan tenke forbi visse spor eller lede prosessen tilbake på rett vei hvis systemet sitter fast i et blindspor. Dette begrenser muligheten for å automatisere deler av prosesser og/eller beslutninger på lang sikt.

Så hva er alternativene??

Black box

En alternativ modell er Black box – en AI- eller maskinlæringsmodell som har vært brukt i lang tid i helsevesenet. En Black box-løsning kan identifisere mønstre i enorme mengder data, og blir blant annet brukt til å identifisere bilder i radiologi. I denne modellen sender du inn data og henter ut data – du vet imidlertid ikke hvordan og hvorfor bestemte data kommer ut. Denne mangelen på åpenhet gjør at modellen er vanskelig å tilpasse anamnese og triage, ettersom det fra et sikkerhetssynspunkt er viktig å kunne følge hvordan en konklusjon er trukket.

Sannsynlighetsbasert nettverk

En tredje modell i automatisert triage og anamnese er et såkalt sannsynlighetsbasert nettverk, også kjent som bayesiansk eller probabilistisk nettverk.

Et sannsynlighetsbasert nettverk trenger ikke å inneholde mye data fra starten – det viktigste er at det er riktig type data, det vil si validerte data basert på ekspertise. Nettverket har også regler om hvordan diagnoser og symptomer forholder seg til hverandre, og sannsynligheten for ulike forhold kan evalueres dynamisk etter hvert svar pasienten gir. Mennesker kan legge til data og regler, men deretter er det opp til algoritmene å finne fram til svar og sannsynligheter. Algoritmens konklusjoner validerer og angis deretter som nye data.

Selv i et verktøy bygget på et sannsynlighetsbasert nettverk, har pasienten lov til å svare på spørsmål om helseproblemene og anamnesen sin. Men i motsetning til et regelbasert ekspertsystem, som er begrenset til et bestemt tre og dets forskjellige grener, kan et slikt verktøy hente informasjon fra de mange forskjellige nodene og reglene som finnes i nettverket. Avhengig av svarene pasienten gir, kan nye relevante oppfølgingsspørsmål identifiseres og stilles, samtidig som sannsynligheten for ulike forhold kan evalueres dynamisk etter hvert svar pasienten gir. En pasient kan komme inn med flere symptomer, og jo mer informasjon pasienten legger til ved å svare på spørsmål, desto flere noder koples inn, noe som påvirker både oppfølgingsspørsmål og mulige diagnoser. Modellen har dermed helt andre forutsetninger for å håndtere mer komplekse tilfeller enn det regelbaserte ekspertsystemer har.

Noen fordeler ved å velge et automatisert verktøy basert på et sannsynlighetsbasert nettverk, er:

  • Det kan håndtere millioner av forskjellige scenarier

Det er knapt noen begrensninger på hvor mange symptomer og diagnoser som kan inkluderes i et sannsynlighetsbasert nettverk – det kan håndtere millioner av forskjellige scenarier. I tillegg kan nettverket ta hensyn til at en pasient viser ett eller flere parallelle symptomer allerede fra begynnelsen av, men det kan også endre spor når informasjon legges til eller endres. All spesifisert informasjon tas i betraktning, samt forbindelser mellom symptomer og ulike tilstander.

Modellen gir også full åpenhet og kan forklare hvorfor ulike konklusjoner er trukket – et sentralt punkt innen pasientsentrering og pasientsikkerhet.

  • Det blir smartere over tid

Nettverket har mulighet til å bli smartere over tid ved å kontinuerlig legge til mer og mer informasjon og teste deler av nettverket. Beslutningene blir mer pålitelige, ettersom nettverket både kan foreslå mistenkte diagnoser og anbefalte tiltak. Dette betyr at et automatisert verktøy bygget på denne modellen har potensial til å handle selvstendig i noen tilfeller, for eksempel ved å anbefale pasienter egenomsorg, når tilstrekkelige mengder data er samlet inn og beslutningene er tilstrekkelig validert.

  • Den kan kobles til andre relevante datakilder og nettverk

I et sannsynlighetsbasert nettverk kan grensesnittet åpnes opp for andre relevante datakilder. Dette kan være data fra for eksempel Apple Watch og andre overvåkingsverktøy, som kan gi informasjon om hjertefrekvens, bevegelse, søvnmønstre og mer. Men nettverket kan også samarbeide med andre typer store nettverk, for eksempel nettverk som spesialiserer seg på hud eller som kan spore smittespredning ved hjelp av en brukers GPS-posisjon. Å åpne for samarbeid med andre nettverk betyr at det ikke er noen reelle restriksjoner på hvilke helsetjenester som kan inkluderes, men også at verktøyet er fremtidssikker. For ingen vet nøyaktig hva som kreves på markedet om ti år, og ingen enkelt organisasjon eller leverandør kan løse alt. Med et åpent system kan du velge de delene du har behov for.

  • Det krever minimalt vedlikehold fra organisasjonens side

Et sannsynlighetsbasert nettverk kan kontinuerlig forbedres ved å bli matet med nye validerte data. Men i motsetning til et regelbasert ekspertsystem, trenger ikke en person å beskrive alle mulige prosesser i detalj, eller omskrive dersom informasjonen endres eller må suppleres – selve tilkoblingen håndterer algoritmene. Dermed slipper organisasjonen å bruke masse tid (og penger) på å bygge innhold som er klart til bruk.

Et relevant eksempel: Hvis det oppstår en plutselig pandemi, må verktøyet stille nye spørsmål og lage nye koplinger for å stille den aktuelle diagnosen. I et regelbasert ekspertsystem må disse trærne og grenene lages til fra bunnen av, og alle trær må oppdateres for å ta hensyn til den nye informasjonen. I et sannsynlighetsbasert nettverk er det nok å legge til en rekke nye risikofaktorer, symptomer og diagnoser. Dette betyr at det ikke er nødvendig å bygge – eller om nødvendig endre – innholdet, men heller forsterke det som allerede finnes ved å legge til nye relevante data.

I spørsmålet og beskrivelsen ovenfor har vi kommet inn på en rekke spørsmål på listen:

  • Hvor mange symptomer og diagnoser kan verktøyet håndtere?
  • Hvor mye arbeid vil verktøyet kreve fra helseorganisasjonen?
  • Kan verktøyet håndtere flere forskjellige behandlingsområder eller bare primærhelsetjenesten?
  • Er det mulig å koble verktøyet til andre nettverk og datakilder?

Det gjenstår likevel noen spørsmål som vi må komme tilbake til:

Hvordan fungerer verktøyet?

Den underliggende strukturen kan gi informasjon om hvordan verktøyet fungerer på innsiden, men det er også viktig at verktøyet fungerer bra for brukerne. Helsepersonell må ha et fleksibelt system som er intuitivt og kan gi dem den informasjonen og strukturen som er nødvendig for å spare tid, arbeide mer effektivt og samtidig pasientsikkert. Men pasientenes behov må også oppfylles – hvis de ikke er fornøyde og stoler på verktøyet vil de mest sannsynlig finne andre måter å kontakte helsevesenet på. Be derfor leverandøren om å se gjennom funksjonaliteten til verktøyet i detalj, slik at du kan se flyten fra forskjellige perspektiver. Spør gjerne om brukertester er utført blant både helsepersonell og pasienter, og hvilke prosesser som er satt opp for å sikre brukervennlighet.

Kan verktøyet integreres med eksisterende systemer?

Å jobbe i parallelle systemer er neppe bærekraftig i det lange løp. Sørg for at verktøyet er åpen for integrering med eksisterende systemer.

Er verktøyet fleksibelt?

Ikke alle helseorganisasjoner fungerer på samme måte, og det er stor verdi i å kunne velge eller tilpasse funksjoner basert på egne behov. Sjekk mulighetene for konfigurasjon.

Hvordan sikres evidens og kvalitet?

Undersøk prosessene og retningslinjene som er tilgjengelige for å sikre kvalitet og oppmerksomhet. Hvordan ser prosessen ut? Hvordan valideres innholdet? Det er viktig at du føler at verktøyet er trygt og sikkert.

I denne veiledningen har vi samlet ulike punkter som du bør huske på når du begynner å lete etter mulige verktøy for automatisert triage og anamnese.

Ta kontakt med oss hvis du vil dele ideer eller diskutere hvordan ulike verktøy fungerer.

Vil du vite mer?

Kontakt oss på valgfri måte for å snakke om digitalisering på klinikken

Kontakt oss