AI ska ge ambulanspersonal bättre beslutsstöd

Ett svensk-norskt projekt ska utveckla nya beslutsstöd för den prehospitala sjukvården baserade på artificiell intelligens (AI). I detta projekt har doktoranden Anna Bakidou fått uppdraget att utveckla algoritmer baserade på maskininlärning. Beslutsstödet hon utvecklar är till för vård av patienter som drabbats av trauma, till exempel i trafikolycka eller fall i hemmet. Hon berättar om möjligheterna och utmaningarna med sin forskning.

– Tanken är att utveckla ett system som rekommenderar en lämplig transportdestination för ambulanser baserat på hur allvarligt skadad patienten är, säger Anna Bakidou som nyligen har anställts vid sektionen för vårdvetenskap på Högskolan i Borås och kommer att arbeta inom centrumbildningen PreHospen, men är knuten till Chalmers tekniska högskola där hon just påbörjat en 5-årig forskarutbildning och där en stor del av forskningen kommer att bedrivas.

Bakgrunden till hennes forskning är att flera studier visar att patienter som utsatts för kraftigt våld har störst chans att överleva om de transporteras till ett traumacenter med hög kompetens och beredskap för att behandla allvarliga skador. I Sverige motsvaras dessa traumacenter av universitetssjukhus och det är kritiskt att patienter med allvarliga skador transporteras dit direkt. Detta görs inte alltid idag och beror på flera anledningar.

Inga nationella riktlinjer

Det finns exempelvis inga nationella riktlinjer som beskriver vart traumapatienter ska transporteras baserat på deras riskbedömning, och vissa symptom kan vara dolda vilket gör att patientens skador bedöms mindre allvarliga och patienten blir då transporterad till närmaste sjukhus, där det inte finns tillgång till avancerad vård. Dessa problem har adresserats i en ny studie* av Stefan Candefjord vid Chalmers tekniska högskola, Linn Asker och Eva-Corina Caragounis vid Sahlgrenska Universitetssjukhuset som visade att det finns ett behov av förbättrade beslutstöd när det gäller transportdestination och lägger därmed grunden för den här forskningen.

– Förhoppningen med det nya beslutsstödet vi vill utveckla är att förbättra precisionen i beslutskedjan så att patienten tas till sjukhus med rätt resurser, säger Anna Bakidou och jämför med dagens beslutsstöd:

– I dag används de nationella traumalarmskriterierna i större delen av den prehospitala vården i Sverige. Dessa är inspirerade av RETTS (Rapid Emergency Triage and Treatment System) och fungerar som en checklista där ambulanspersonalen fyller i patientens vitala värden och jämför med tröskelvärden. Baserat på hur många kritiska värden som överstiger de fördefinierade tröskelvärdena tilldelas patienten en processnivå, där en högre nivå motsvarar en ökad allvarlighetsgrad. Detta används sedan av ambulanspersonalen för att fatta ett beslut om vilken vård patienten behöver och vart patienten ska transporteras, säger hon.

AI skiljer sig åt

Hon menar att AI-baserade beslutsstöd skiljer sig från detta och beskriver processen i utvecklingen genom att man först skapar en matematisk modell, där de olika dokumenterade värdena för patienterna blir input till systemet. Modellen analyserar indata och identifierar mönster för olika patientgrupper. Dessa mönster ligger sedan till grund för den rekommenderade transportdestinationen som systemet producerar.

– I de existerande traumalarmskriterierna finns det ingen bakomliggande matematik för bedömningen av en patient. Detta kan leda till att ett kriterium dominerar triageprotokollet i jämförelse med de andra parametrarna. Skillnaden med AI modeller är att de inte är begränsade till de ”enkla” mönstren som används i dagens checklista utan har istället möjlighet att lära sig mer komplexa mönster, och har därför potential att på ett mer tillförlitligt sett prediktera rätt vårdbehov och transportdestination. Genom att analysera den tillgängliga data och hitta mönster kan modellen lära sig mönster som skulle vara svårt för ambulanspersonal att upptäcka. Ju mer data som är tillgänglig desto bättre modell kan utvecklas då systemet blir mer säker på de mönster den identifierar. På det sättet utvecklar man modellen, säger hon.

Sedan testas modellen på ny data som modellen inte analyserat under utvecklingsstadiet för att se hur väl den predikterar framtida patientfall. Efter detta steg integreras modellen i ambulansen. Alltså, ambulanspersonalen fyller i patientens värden som tidigare men matar in dem som indata till den färdiga modellen. Modellen analyserar värdena med mönstren den lärt sig och predikterar vilken destination som är lämpligast baserat på exempelvis vårdbehov och avstånd till närmaste universitetssjukhus. Den mest sannolika destinationen blir systemets rekommendation och blir ett stöd för ambulanspersonalen vid beslutsfattande om de ska transportera patienten till ett universitetssjukhus eller inte.

– Vi väljer att utveckla AI modeller eftersom de har potential att hitta mer komplicerade mönster och därmed öka precisionen i beslutskedjan, säger hon.

Vad är den främsta fördelen för ambulanspersonalen?

– Systemet kommer vara ett digitalt hjälpmedel som passar in i ambulanspersonalens existerande arbetsförfarande. Det kan bli färre fält att checka i vid jämförelse med checklistor som idag används. Men den absolut främsta fördelen som vi kan se är att personalen kan känna sig tryggare i att fatta tuffa beslut då den givna rekommendationen är välgrundad och byggd på applicerad matematik. Personalen blir inte ensamma i att besluta om en kritisk patient ska transporteras till ett annat sjukhus än det som ligger närmast, vilket är en trygghet att ha om något skulle inträffa under den längre transportsträckan. Dessutom kan man komplettera de svåra besluten med medicinskt sakkunnig expertuppbackning via till exempel videokonferens direkt från ambulansen som görs i projektet ViPHS (Videostöd i den prehospitala strokekedjan), ett annat projekt med kopplingar till vår tvärvetenskapliga forskargruppering.

Vad ser du för utmaningar i projektet?

– Det finns många för det här projektet! En av de största utmaningarna vid utveckling av AI modeller kretsar kring hur de data som ska användas är uppbyggd och hur den används. Ett exempel är om en viss grupp är överrepresenterad eftersom det kan leda till att modellen lär sig starkare mönster för denna grupp i jämförelse med de andra, vilket i sin tur skulle kunna leda till en ojämlik vård. Det är därför viktigt att använda ett tillräckligt stort dataset som på ett bra sätt representerar de inkluderade patientgrupperna.

En annan utmaning anser hon kan bli att data kan vara strukturerad på olika sätt. Exempelvis kanske vissa parametrar dokumenteras numerärt medan andra beskrivs med text. För att hitta mönster i de olika strukturerna behövs flera matematiska modeller och det blir därför en utmaning i att besluta hur de bäst bör kombineras.

– Rent tekniskt finns det många olika typer av AI modeller och många nya fortsätter att komma då det är ett attraktivt område att forska inom. Det kommer därför bli en utmaning att identifiera vilken modell som är bäst lämpad för det här projektet.

Utöver det tekniska finns det många utmaningar enligt Anna Bakidou och nämner flera: det utvecklade systemet måste ha ett användarvänligt gränssnitt, följa regelverk och vara etiskt godkänt då det använder sig av patientdata för att bygga modellen. Av samma anledning är det viktigt att systemet är oåtkomligt för obehöriga.

Hur ser tidsplanen ut?

– Vi hoppas på att utveckla modellen med prehospital data inom ett par år vilket inkluderar retrospektiva studier. Därefter har vi förhoppningen om att testa modellen i en prehospital miljö.

Vad är din syn på AI inom det prehospitala området?

– Det är ett spännande område som börjar ta mer plats inom forskningen! Styrkan med AI är att verktyget kan analysera stora mängder data för att hitta mönster som inte är intuitiva för oss människor och därmed kan göra predikteringar vi inte klarar av. I den prehospitala miljön är besluten som fattas viktiga för patientens överlevnad samtidigt som det finns begränsad mängd data att grunda besluten på. Det är därför en spännande möjlighet att inkludera AI modeller som kan använda tidigare data för att ge en rekommendation i realtid och stötta ambulanspersonalen i deras beslutsprocess!

Hur känns det att forska inom detta område?

– Det känns jättekul att få starta som doktorand. I det här projektet kommer det vara viktigt att sätta samman många olika bitar för att utveckla ett system som kan användas i praktiken och som efterfrågas av personalen. Det är en utmaning som jag motiveras av och det kommer blir intressant att samarbeta med kompetenta och inspirerande personer från både Högskolan i Borås och Chalmers tekniska högskola. Dessutom blir jag nu en del av det starka tvärvetenskapliga regionala forsknings- och innovationsklustret inom prehospital sjukvård, där bland annat Chalmers, Högskolan Borås, sjukvården i VGR, Sahlgrenska Akademien och PICTA (Prehospital ICT Arena) på Lindholmen Science Park ingår, säger Anna Bakidou.

Anna Bakidou

Yrke: Doktorand på Avdelningen för Signalbehandling och Medicinsk teknik på Institutionen för Elektroteknik vid Chalmers tekniska högskola och anställd vid sektionen för vårdvetenskap på Högskolan i Borås

Utbildning: Civilingenjör i ämnet Elektroteknik och har en master i Biomedical Engineering

Forskningsområde: AI som beslutsstöd för en jämlik vård

Om samarbetsprojektet

Forskningen bedrivs som ett delprojekt inom det övergripande projektet ”Artificiell intelligens (AI) som beslutsstöd – för en jämlik vård” som leds av Högskolan i Borås tillsammans med Högskolan i Østfold i Norge och med Chalmers tekniska högskola som en av parterna med ansvar för utvecklingen av de matematiska modellerna bakom beslutsstöden. Projektet pågår i tre år och finansieras genom ERUF (Europeiska regionala utvecklingsfonden) och samarbetsprogrammet Interreg Sverige-Norge med drygt 20 miljoner kronor. Målsättningen med projektet är att utforma AI-verktyg som sätter patientens behov i centrum genom att ge vårdgivaren möjlighet att utforma vården på ett sådant sätt att individuella variationer mellan olika vårdgivare minimeras.

* Candefjord S, Asker L & Caragounis E-C (2020). Mortality of trauma patients treated at trauma centers compared to non-trauma centers in Sweden: a retrospective study. European Journal of Trauma and Emergency Surgery. 

Henrik Grönberg

Porträttfoto: privat

Leave a comment

Your email address will not be published. Required fields are marked *