Tekniken Primärvård

AI inom primärvården – olika typer av datakällor för automatiserad triage

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" >AI inom primärvården – olika typer av datakällor för automatiserad triage</span>

Automatisering av vissa patientflöden, som t.ex. guidning av patienter till rätt vårdnivå eller vårdkontakt, kan bidra till att uppnå en effektiv och behovsbaserad vård. De flesta patienter är pålästa och har skapat sig en bild av sitt tillstånd redan innan de kontaktar vården. Om denna kunskap kan samlas in och aggregeras inför ett möte på ett sätt som ger värde både för patienten och vårdutövaren, finns flera vinster att få. Men vilken typ av data är lämplig att bygga en sådan automatiserad lösning på och hur kan denna data valideras och kvalitetssäkras på ett sätt som inte hotar patientsäkerheten?

I vår tidigare artikel har vi identifierat att en automatiserad lösning för anamnes och triage bör uppfylla följande krav för att säkerställa att den används över tid:

  • patientvänlig kommunikation
  • medvetenhet om medicinskt sammanhang
  • integration i det digitala-fysiska flödet

Nu riktar vi vårt fokus på de tekniska krav som en automatiserad lösning för anamnes och triage inom primärvården bör uppfylla för att möta dagens och framtida behov. För att en AI-tillämpning överhuvudtaget ska kunna fungera krävs data. Vilken typ av data och hur insamlingen bör gå till styrs till stor del av vad man vill uppnå med den automatiserade lösningen. Olika datakällor har olika fördelar men också olika begränsningar.

En möjlig datakälla är historiska data, patientdata som bland annat samlats in från olika journalsystem. Fördelen med den här typen av data är att den samlats in över lång tid och därför omfattar stora mängder information. Historiska data lämpar sig därför bra inom områden som t.ex. radiologi, där man kan återanvända bilder av jämförbar kvalitet. Dock försvåras tillämpningen inom primärvårds­sammanhang där historiska data, t.ex. diktering eller ljudinspelningar från patientkontakter, sällan är tillräckligt homogena för att kunna anpassas till automatiserade anamnes- och triagelösningar.

En annan typ av data som kan användas är nyare insamlad data. Denna kan t.ex. bestå av loggar från olika verktyg och har samlats in i syfte att kunna bearbeta och sammanställa data för olika ändamål. Denna typ av data är ofta mer homogen, men kräver mycket arbete, och framför allt tid, att samla in. Dessutom måste denna data sättas i ett sammanhang innan den kan användas. Vidare är också viktigt att fundera över vilka dataposter som faktiskt behövs innan man börjar samla in större mängder. Därefter gäller det att hitta balansen och vara tillräckligt pragmatisk för att kunna identifiera vilken typ av data som är tillräcklig och hur den är användbar för det specifika ändamålet. I primärvårdssammanhang skulle det ta flera decennier för att uppnå ett dataunderlag som är heltäckande för alla typer av tillstånd, med statistisk relevans för olika åldersgrupper, sjukdomar, kön etc. Däremot lämpar sig denna typ av data bra för att validera modeller inom segment där det finns tillräckligt med datatäthet (t.ex. inom övre luftvägsinfektioner och magsjuka).

Det finns en tredje typ av data som ofta glöms bort när det talas om AI-tillämpningar, speciellt inom vården: Expertkunskaper inom området. Denna värdefulla resurs bör inte glömmas bort, särskilt inte när det gäller primärvården där det finns enorma volymer av ackumulerad kunskap som beskriver samband mellan symptom och diagnos hos patienterna. Varför inte återanvända denna kunskap? Här utgår man från mönster och samband som observerats och analyserats sedan tusental år. Om man skulle samla in denna kunskap på nytt och på ett statistiskt relevant sätt, skulle det kräva enormt mycket arbete och decennier av tid. Det finns därför mycket att vinna på att utgå från de samband som redan finns beskrivna i litteratur och av medicinska experter och sedan förfina dessa när tillräckligt med kompletterande data samlats in. En utmaning med den här typen av källa är dock att kunskapen behöver översättas till relevanta datastrukturer, vilket förutsätter tvärfunktionellt samarbete mellan dataingenjörer och medicinsk personal.

Typen av tillgängliga data, liksom dess mängd och kvalitet, kommer i hög grad att påverka hur den automatiserade lösningen kan appliceras och utvecklas. Men det är också viktigt att välja rätt typ av AI-tillämpning, dvs. rätt typ av metod att bearbeta datakällan, för det man vill uppnå både idag och imorgon. I vår nästa bloggartikel om AI inom primärvården kommer vi titta närmare på tre vanliga AI-tillämpningar och djupdyka i den metod som vi valt att fokusera på i utvecklingen av vår automatiserade lösning för triage och anamnes, Visiba Triage.