Om algoritmen og dataflyt
Algoritmen er bygget opp rundt et behandlingsrettet helseregister, Forløpsdatabasen, som blir beskrevet i dette kapittelet.
(Figur som skisserer Forløpsdatabasen, finner du på denne siden.)
Personlige helseopplysninger for alle pasienter i Helse Bergen HF hentes ut fra journalsystemet (DIPS), og lagres som et strukturert datasett i samme format som datavariabler som inngår i Norsk pasientregister (NPR). Disse variablene er godt dokumentert og beskrevet, og har samme betydning på tvers av helseforetakene i Norge. Det gir muligheter for at andre helseforetak kan gjenbruke samme algoritme på en enkel måte, siden alle helseforetak er pliktig til å levere data til NPR i dette formatet gjennom NPR-meldingen.
Fra Forløpsdatabasen vil algoritmen ha tilgang til et stort antall episoder, der en episode regnes som et avdelingsopphold, eller hele sykehusoppholdet hvis det bare er ett avdelingsopphold. Hver episode har assosierte datavariabler, for eksempel tidspunkt for innleggelse og utskriving, kjønn, alder, hoveddiagnose, indikatorer på hastegrad (elektiv eller øyeblikkelig hjelp) og omsorgsnivå (overnatting/ikke overnatting). Algoritmen teller antall tidligere hoveddiagnoser, liggetid på sykehuset, samt tidligere reinnleggelser i forkant avhver enkelt episode. Ved hjelp av slik informasjon lærer algoritmen hvilke pasienter som har høy risiko for reinnleggelse.
Når en pasient legges inn på sykehuset, ønsker Helse Bergen HF å gjøre en prediksjon på denne pasientens risiko for reinnleggelse. Hvis risikoen anses som høy, vil legen få beskjed om dette via et journalnotat som legges inn i DIPS. Ettersom tiden går, vil mønstre bak risikoen for reinnleggelse kunne endre seg. Derfor blir det viktig å kunne trene algoritmen på ny («etterlæring») med jevne mellomrom, slik at den oppdateres på det nye pasientgrunnlaget.
Den ferdigutviklede algoritmemodellen gir en skåring av pasientens sannsynlighet for reinnleggelse i fremtiden. En software-robot klipper ut informasjon generert av algoritmen og limer dette inn i DIPS som et journalnotat. Legen vil kun forholde seg til opplysningene som fremkommer i DIPS, og vil på denne måten hente ut en prediksjon for den enkelte pasient.
Behandlingsrettet helseregister (Forløpsdatabasen)
Avgjørende for at Helse Bergen HF skal kunne benytte seg av helseopplysninger fra et stort antall pasienters journal er opprettelsen av et internt behandlingsrettet helseregister (omtales som forløpsdatabasen). Slike registre skal ha hjemmel i lov, jf. pasientjournalloven § 6 første ledd, og må oppfylle kravene til utforming og organisering oppstilt i pasientjournalloven § 7.
Pasientjournalloven § 2
Pasientjournalloven § 2 bokstav d definerer "behandlingsrettet helseregister" som "pasientjournal- og informasjonssystem eller annet register, fortegnelse eller lignende, der helseopplysninger er lagret systematisk, slik at opplysninger om den enkelte kan finnes igjen, og som skal gi grunnlag for helsehjelp eller administrasjon av helsehjelp til enkeltpersoner". Lovens § 8 oppstiller en plikt for virksomheter som yter helsehjelp å sørge for å ha behandlingsrettede helseregistre.
Figuren over viser dataflyten i prosjektet:
- A. Alle data lagres i et behandlingsrettet helseregister (Forløpsdatabasen).
- B. Algoritmen for kunstig intelligens (KI) trenes med data fra helseregisteret.
- C. En oppdatert KI-modell gjør en prediksjon av risiko for reinnleggelse for pasienter som er innlagt på sykehuset.
- D. Prediksjonen av risiko for reinnleggelse dokumenteres i DIPS, blir tilgjengelig for behandlende lege i EPJ (elektronisk pasientjournal), og kan brukes som beslutningsstøtte i pasientbehandling. Pasienter som antas å ha høy risiko for reinnleggelse kan tilbys et persontilpasset behandlingsopplegg. Algoritmen vil regelmessig kvalitetssikres og monitoreres for å følge med i ytelse og nytteverdi.
Helse Bergen HF har laget flere prototyper for kategorisering av pasientgrupper for reinnleggelser. Basert på NPR-data fra 2018-2020 har prosjektet avdekket flere personspesifikke variabler som viser statistisk sammenheng med risiko for reinnleggelse. Ved å anvende maskinlæring der disse variablene inngår, viser foreløpige resultater at man kan oppnå en treffsikkerhet («accuracy») på 0.75 om hvorvidt en pasient som kommer inn i klinikken vil oppleve en reinnleggelse innen 30 dager. Dette tallet tar hensyn til både sensitivitet og spesifisitet og forteller at i omtrent ¾ av alle tilfeller vil man klare å identifisere enkeltpasienter som vil oppleve eller som ikke vil oppleve en reinnleggelse innen 30 dager etter utskriving.
Helse Bergen HF vil i løpet av høsten 2022 diskutere modellens resultater med leger som arbeider til daglig i Mottaksklinikken ved Haukeland universitetssykehus. Videre vil man jobbe med både klinkere og pasienter med tanke på hvordan resultatene bør formidles via journalnotater i DIPS på en brukervennlig måte. I tillegg vil det arbeides med å se på muligheten for å teste ut PSHT i et pilotprosjekt men noen få kommuner.
Helse Bergen HF anså det som nødvendig å avklare problemstillinger knyttet til personvern før de igangsetter uttesting av modellen i klinisk praksis.