Når en patient ankommer til akutmodtagelsen på et dansk hospital, er en af mange beslutninger, hvilket sengeafsnit patienten skal indlægges på. Beslutningen tages blandt andet ud fra en vurdering af, hvor længe man forventer, at patienten skal være indlagt.

På Aalborg Universitetshospital er der eksempelvis et sengeafsnit til patienter, hvor man forventer en indlæggelse på maksimalt 48 timer. Hvis man derimod forventer en længere indlæggelse, kommer patienten med det samme på en specialafdeling.

I et nyt forskningsprojekt har forskere fra Institut for Datalogi, Aalborg Universitet, i samarbejde med Region Nordjylland udviklet en model til at forudsige varigheden af den enkelte patients indlæggelse til støtte for personalets beslutning om, hvor patienten skal flyttes hen fra akutafdelingen.

- Projektet handler i første omgang om at reducere forbruget af de ressourcer, man anvender på at flytte patienterne rundt mellem sengeafsnittene. Jo færre flytninger, jo mindre tidsforbrug og træk på personalet. Derudover vil færre flytninger være en fordel for den enkelte patient, da flytninger alt andet lige giver et mere stresset forløb, forklarer Emil Riis Hansen, ph.d.-studerende på Institut for Datalogi, Aalborg Universitet, og hovedforfatter på den videnskabelige artikel, der beskriver modellen.

Ikke et system i dag

I dag er der ikke et system, der kan understøtte den enkelte kliniker i vurderingen af varigheden af en indlæggelse. Der findes statistisk data, der kan give et overblik over eksempelvis hvilke måneder, der typisk er mest pres på bestemte afdelinger, men den konkrete vurdering af varigheden af en specifik patients indlæggelse er helt op til den kliniker, der ser patienten i akutmodtagelsen.

- Det er vigtigt at understrege, at vores metode ikke erstatter personalets vurdering, men kan anvendes som en støtte til den beslutning, der skal tages i det konkrete tilfælde. Et system kan jo ikke se patienten, så der skal nødvendigvis en kliniker til at tage en beslutning ud fra det samlede billede, siger Emil Riis Hansen.

En række events

Metoden udviklet i forskningsprojektet tager som afsæt, at et patientforløb består af et antal events i en given rækkefølge. Disse events kan være diverse prøver og målinger, skanninger, medicinering, osv. Hvert event kaster et resultat af sig, og disse resultater bliver tildelt en værdi – høj, middel eller lav – på baggrund af medicinske referenceværdier baseret på demografi som eksempelvis alder og køn. Ved at træne en såkaldt BERT Natural Language Processing (NLP) model kan man så forudsige varigheden af en indlæggelse.

- Det er vigtigt at kunne håndtere rækkefølgen i et patientforløb, da det afspejler klinikerens syn på patienten. Hvis eksempelvis patienten i første omgang har fået noget smertestillende medicin, men så efterfølgende bliver sendt til skanning, kan det indikere, at tilstanden er mere alvorlig end først antaget, forklarer Emil Riis Hansen.

Forbedring af eksisterende modeller

Det, at den nye model er en sekvensmodel og derfor kan tage højde for rækkefølgen af events i et patientforløb, er en forbedring i forhold til modeller udviklet i tidligere forskningsprojekter.

- Hvis man vil anvende maskinlæring til at løse et problem, søger man typisk mod de basismodeller, som man ved ofte vil virke. Problemet er bare, at de modeller – som også er blevet anvendt i andre forskningsprojekter på det her område - arbejder på data indeholdt i rækker og kolonner i en tabel. Det er der mindst to problemer ved: Man får ikke den tidsmæssige dimension med, og hvis der mangler data i et felt i tabellen, f.eks. en blodtryksværdi, så bliver man nødt til at indsætte en eller anden værdi, for at modellen kan køre - med den usikkerhed, det indebærer. Det undgår vi med den model, som vi har udviklet. Samlet set tyder vores nuværende eksperimenter på, at sekvensmodeller kan være mere nøjagtige end traditionelle maskinlæringsmodeller, forklarer Emil Riis Hansen.

Store mængder data

Emil Riis Hansen har i forbindelse med sit ph.d.-studium siddet i Region Nordjyllands Business Intelligence og Analyse-afdeling. Det har givet ham adgang til anonymiseret medicinsk data fra mere end 45.000 nordjyske patienter.

- Det har været fantastisk at få adgang til så stor en mængde medicinsk data, som vi har kunnet anvende til at træne modellen. Der er dog yderligere datatyper, som det kunne være meget relevant at inddrage for at gøre modellen endnu mere pålidelig. Det kunne være billeddiagnostisk data, klinikernes noter, og den nok vigtigste: Hvem der var på vagt i akutmodtagelsen, da patienten kom ind. Grunden er, at erfaringsniveauet hos den kliniker, der som den første ser patienten, kan have indvirkning på, hvor hurtig og præcis en beslutning, der bliver taget om næste skridt i forløbet, fortæller Emil Riis Hansen, der tirsdag den 13. juni præsenterede resultaterne fra forskningsprojektet på en stor international konference i Slovenien om anvendelse af kunstig intelligens inden for sundhedsvæsenet.