Kunstig intelligens og beslutningsstøtte i helsetjenesten

Både nasjonalt og internasjonalt er kunstig intelligens (KI) introdusert som en løsning som kan effektivisere helsetjenestene. Gjennom arbeidet med vårt Interreg-finansierte norsk-svenske samarbeidsprosjekt Kontiki: KI-basert beslutningsstøtte for pasienter og helsetjenesten, har vi gjort førstehånds erfaringer knyttet til utnyttelse av KI innen helsevesenet. Vi tenker at de utfordringene vi har møtt i prosjektet vil være overførbare til lignende prosjekter, og deler derfor her våre erfaringer. 

Maskinlæring og kunstig intelligens 

«Kunstig intelligente systemer utfører handlinger, fysisk eller digitalt, basert på tolkning og behandling av strukturerte eller ustrukturerte data, i den hensikt å oppnå et gitt mål». Ifølge Helsedirektoratet brukes begrepet KI hovedsakelig om maskinlæring, og de viser til at «systemer basert på maskinlæring kan lære seg sammenhenger, regler og strategier ved å analysere data og eksempler fra den virkelige verden, uten at noen forteller dem hvordan sammenhengene er». Takket være kravene til dokumentasjon i helsepersonelloven og den økende digitalisering av helsetjenesten registreres det daglig enorme mengder informasjon om pasienter og behandling.

Akutt skadde som eksempel 

I en av arbeidspakkene i Kontiki-prosjektet har vi fokus på den prehospitale håndteringen av akutt skadde pasienter. Våre svenske samarbeidspartnere hadde samlet inn data på ca 5000 pasienter utsatt for de fleste traume/skadekategorier i 2019. Jobben gjorde de ved å gå inn i ulike dokumentasjonssystemer på enkeltpasienter manuelt, noe som selvsagt var svært tidkrevende. På norske side har vi hatt anledning til å gjøre automatiske uttrekk etter gitte kriterier, noe som fremsto som effektivt. Men det viste det seg at data var lagret med ulik identifiseringsnøkkel i de ulike systemene, som personnummer et sted og ambulanseoppdragsnummer et annet. Dette gjorde det krevende å sammenstille data på individnivå. Til tross for at vi hadde midler til å frikjøpe en person til datasammenstilling tok det halvannet år før vi fikk datasettet oversendt. Datasettet var da fortsatt oppstykket i flere deler, og uttrekket fra f.eks RETTS (Rapid Emergency Triage and Treatment System, som er sammenstilt av ulike målinger) var lagret i ett enkelt felt i et av regnearkene. Det var derfor nødvendig med ytterligere behandling av dataene. Regjeringens strategi for tilgjengeliggjøring (og deling) av data og Nasjonal strategi for kunstig intelligens er i høyeste grad nødvendig. Likevel vil ikke dette løse utfordringene knyttet til å utnytte helsedata.

Manglende standardisering av data

Vår neste utfordring viste seg å være manglende standardisering av dokumentasjonen. Blodtrykk var for eksempel ikke angitt som konkret verdi, men innen ulike og overlappende kategorier. Det samme gjaldt andre vitale parametere. Videre var pasientens tidligere sykehistorie dokumentert i fritekst. Et eksempel: Hos en pasient var følgende dokumentert: «hun har falt fra egen høyde på badet når hun skulle på do, så sviktet beina under hende. Hun har ligget lenge på hennes høyre side, før hun fikk hjelp, hun sier selv hun har ligget på gulvet i to timer før hun fikk hjelp. Hun har sterke smerter i venstre lår, det er hovent, ikke varmt, hun klarer ikke bevege beinet, det er innadrotert og noe forkortet». Hos en annen pasient var derimot dette dokumentert: «Smerter hø- hofte. Forkortet og utadrotert». Samme situasjon, veldig ulik dokumentasjon. Selv om det er mulig at KI og store språkmodeller kan hjelpe med å standardisere data lagret i fritekst, vil det i tillegg kreve både bedre IT-løsninger og en kulturendring blant helsearbeidere. 

Viktigheten av samarbeid 

Når dataene var ferdig behandlet og klare for analyser startet jobben med å utnytte disse for å trene maskinlæringsmodeller. Dette er også en tidkrevende prosess, hvor et tett samarbeid mellom maskinlærings- og helseforskningsmiljøene er sentralt. Det er helt essensielt at en med kunnskap om helsetjenesten/tematikken som utforskes forklarer variabler, og definerer hva som skal være målet til maskinlæringsmodellen. Det er like viktig at en med kunnskap om maskinlæring forklarer de ulike mulighetene fra et teknisk perspektiv. Er det for eksempel klinisk nyttig å kunne forutsi om en pasient vil bli innlagt i sykehus? Hvilke variabler kan i tilfelle benyttes til å gjøre en slik prediksjon? Fokuset på tverrfaglig samarbeid er heldigvis også fremhevet gjennom regjeringens satsning på tverrfaglige forskningssentre innen KI.

Å benytte KI innen helse er en veldig spennende mulighet, og vil nok være nødvendig for å løse flere av utfordringene vi har med økende kostnader og behandlingsbehov. Det er likevel viktig at vi er bevisst på at vi har fortsatt har mye å lære om hva dette faktisk innebærer, og at vi er klare for å gjøre arbeidet som kreves for å få gode KI-løsninger for helse i fremtiden. 

Ingen oppgitte interessekonflikter