Afsluttede projekter – Signaturprojekter
-
Signaturprojekterne afprøvede anvendelsen af kunstig intelligens i relation til det telemedicinske tilbud i nordjyske kommuner. Formålet var at afprøve kunstig intelligens, i form af prædiktive algoritmer, til at forudse sygdomsforværring og hospitalsindlæggelse. Signaturprojekterne havde fokus på at opsamle konkrete erfaringer med algoritmer baseret på kunstig intelligens, herunder at sætte lys på de potentielle muligheder algoritmer kan give, men også de begrænsninger og udfordringer der kan opstå i forbindelse med implementering og anvendelse i klinisk praksis.
-
I perioden 2020 til 2023 har der været gennemført et projekt om prædiktion af sygdomsforværring for borgere med KOL og borgere med hjertesvigt. Projektet blev gennemført i et samarbejde mellem Aalborg Universitet, Aalborg Kommune, TeleCare Nord og leverandøren OpenTeleHealth.
Digitaliseringsstyrelsens beskrivelse af signaturprojektet kan findes på dette link: Prædiktion af forværring blandt KOL- og hjertesvigtpatienter
Formålet med projektet har været at udvikle algoritmer som kunne forbedre de eksisterende telemedicinske løsninger til KOL og hjertesvigt. Baseret på kunstig intelligens skulle algoritmerne hjælpe med at identificere KOL- og hjertesvigtsborgere, før de oplevede en forværring af deres sygdom. Fordi en forværring ofte leder til en indlæggelse, så skulle en tidligere forudsigelse af dette gøre det muligt at opstarte den nødvendige behandling tidligere. Det skulle gerne betyde, at færre borgere skulle indlægges på grund af forværring. Projektet indeholdt desuden en analyse af, hvorvidt løsningen kan bidrage til at mindske ulighed i sundhed. Motivationen for udviklingen af algoritmerne er at succesfuld prædiktion for KOL- og hjertesvigtsborgere med risiko for forværringer netop kan reducere indlæggelser. For borgerne skulle det gerne give en forbedret livskvalitet og et bedre behandlingsforløb.
Algoritme for KOL
Aalborg Universitet har udviklet en algoritme til tidlig opsporing af sygdomsforværringer. Selve algoritmen er udviklet til at genkende mønstre fra borgerens individuelle målinger med henblik på at opspore sygdomsforværringer tidligere end hidtil. Algoritmen skal understøtte KOL-sygeplejersken i vurdering af borgerens målinger gennem telemonitoreringssystemet, således tidlig pleje og behandling kan igangsættes. Algoritmen for KOL blev færdigudviklet og testet på borgere i et klinisk forsøg. KOL-algoritmen gav alarmer, der indikerer at en forværring kan være på vej for den enkelte borger. Nogle alarmer er gået forud for en efterfølgende indlæggelse. Det indikerer derfor, at algoritmen reagerer korrekt. Andre gange er KOL-algoritmealarmer gået, uden at sygeplejerskerne kan forklare yderligere i data, både omkring alarmtidspunkt og efterfølgende. Data fra det kliniske forsøg af KOL-algoritmen er yderligere anvendt i to analyser. En sundhedsøkonomisk analyse og i en analyse om kliniske og borgernære effekter på indlæggelser og livskvalitet. Generelt for de to analyser er konklusionen, at der desværre ikke har været nok borgere med. Konkret har det betydet, at man ikke kan bestemme den økonomiske effekt samt de kliniske og borgernære effekter af at indføre KOL-algoritmen i praksis.
Algoritme for hjertesvigt
I projektet er der udviklet en tilsvarende algoritme til hjertesvigt, der kunne give alarmer om sygdomsforværring. Desværre opstod der uforudsete udfordringer i forbindelse med algoritmeudviklingen. Det anvendte datasæt indeholdt blot få indlæggelser. Derfor var det vanskeligt at træne algoritmen til hjertesvigt. Sammen med andre udfordringer har det betydet, at algoritmen til hjertesvigt ikke kunne testes på borgere i et klinisk forsøg.
Forskningsartikler
-
I perioden 2022 til 2025 har der været gennemført et projekt om prædiktion af sygdomsforværring for borgere med multisygdom med letforståelig forklaring af komplekse resultater. Projektet blev gennemført i et samarbejde mellem Aalborg Universitet og TeleCare Nord.
Digitaliseringsstyrelsens beskrivelse af signaturprojektet kan findes på dette link: Kunstig intelligens til prædiktion af forværringer ved multisygdom med letforståelig forklaring af komplekse resultater
Formålet med projektet har været at udvikle algoritmer, baseret på kunstig intelligens, som kan forudse forskellige typer af hospitalsindlæggelser blandt patienter med multisygdom. Yderligere er der undersøgt, hvordan komplekse resultaterne fra algoritmerne kan kommunikeres på en letforståelig måde, med henblik på at klinikere får et brugbart værktøj, der kan anvendes i klinisk praksis.
Algoritme for multisygdom
Aalborg Universitet har udviklet algoritmer til tidlig opsporing af hospitalsindlæggelse. Algoritmerne er udviklet ud fra registerdata fra personer med multisygdom fra Danmarks Statistik. Datasættet bestod af data fra mere end 24.000 personer med 2 eller flere kroniske tilstande, herunder 27 somatiske og 6 psykiske, som repræsenterer de diagnoser, der ofte ses i den primære sektor i sundhedsvæsenet. Algoritmerne kan forudsige til hospitalsindlæggelse 30 dage i forvejen med en moderat prædiktiv performance, der varierede afhængig af udfaldstype, og identificerede bl.a. tidligere hospitalskontakter, tidligere forbrug af sundhedsydelser og psykiske lidelser som vigtige prædiktorer. Generelt er konklusionen, at der er et muligt potentiale for brug af prædiktionsalgoritmer til at identificere højrisiko patienter, men at der er behov for yderligere validering før implementering i klinisk praksis.
Formidling af resultater fra algoritmer
Der blev udviklet 2 forskellige brugergrænseflader, som begge illustrerer hvordan komplekse resultater fra en prædiktionsalgoritme kan videreformidles på en letforståelig måde til klinikere. Den første brugergrænseflade tager udgangspunkt i telemonitoreringssystemet OpenTeleHealth, som blev anvendt i TeleCare Nord regi under næsten hele projektperioden for dette signaturprojekt. Den anden brugergrænseflade tager udgangspunkt i telemonitoreringssystemet Telma, som blev anvendt i TeleCare Nord regi fra foråret 2023.
Begge brugergrænseflader er udviklet i mockups og afprøvet på både erfarne og mindre erfarne klinikere der arbejder med telemedicin til KOL og/eller hjertesvigt i regi af TeleCare Nord. Den generelle konklusion af afprøvningerne af de 2 prototyper er, at det er svært at designe et interface, som kan forklare resultater fra en prædiktionsalgoritme på en letforståelig måde. Det er komplekst at udvælge, hvilken information der skal fremlægges, og hvordan denne information præsenteres, således at det passer ind i de eksisterende arbejdsgange, der er ved brug af IT-systemet.
Forskningsartikler
- Healthcare Utilization and Chronic Condition Clusters in Multimorbidity Patients using Weighted K-means: A Register-based Study in Denmark (forskningsartiklen afventer publicering)
- A Machine Learning Approach for 30-day Prediction of Acute Somatic and Psychiatric Hospitalization in Patients with Multimorbidity (forskningsartiklen afventer publicering)
Opdateret