Notat
26. november 2018 /MARAVJ.nr. 2018 - 5423
AI Signaturprojekt: Hvordan kan kunstig intelligens (AI) understøtte datadreven kvalitetsudvikling i almen praksis?
Initiativbeskrivelse
Dette projekt integrerer AI i almen praksis, som et redskab til at udvikle datadre- ven kvalitetsudvikling i almen praksis. Projektet forankres i de praktiserende læ- gers klyngestruktur, hvilket sikrer den kliniske forankring og den langsigtede bære- dygtighed af modellen, og at AI-teknologien dermed bliver et naturligt og udbredt redskab i almen praksis. Projektet er således en væsentlig understøttelse af initiativ 3.2 ”Datadrevne teknologier til automatisering, prædiktion og beslutningsstøtte”
beskrevet i ”Et sikkert og sammenhængende sundhedsvæsen for alle – Strategi for digital sundhed 2018- 2022” (herefter den nationale strategi). Projektet vil ligeledes understøtte det arbejde, der er igangsat i programmet Digital Almen praksis, og vil udnytte de synergieffekter, der vil være i den forbindelse.
Baggrund
Som beskrevet i den nationale strategi, er almen praksis presset af en stigende ar- bejdsbyrde. Den demografiske udvikling med flere ældre, der har flere og mere komplekse sygdomme, større servicekrav, kortere indlæggelser og øgede doku- mentationskrav øger alt sammen arbejdsbelastningen. Derforuden er der en sti- gende datamængde at forholde sig til – længere journaler, flere prøvesvar osv.
Samtidig er der et ønske om, at der leveres bedre behandling, bl.a. hurtigere diag- nostik af cancer og anden alvorlig sygdom.
De seneste 15 år har der været et politisk fokus, igennem strategier og økonomiaf- taler, på digitalisering af sundhedsvæsenet. De sidste par år har interessen udviklet sig og fokus peger nu i retningen af et mere datadrevet sundhedsvæsen, som på samme tid er patientnært og hjælper de sundhedsprofessionelle i hverdagen. Det sidste politiske udspil vedr. data fra regeringen (”Sundhed i fremtiden”, juni 2018) efterspørger innovativ udnyttelse af sundhedsdata, f.eks. kunstig intelligens (AI) til bl.a. tidligere diagnosticering og beslutningsstøtte.
Samtidig er der i den nyeste overenskomst mellem PLO og RTLN (2018-2020) indgået aftale om, at almen praksis skal udvide deling af data tværsektorielt samt til nationale kvalitetsregistre. Kvalitetsudvikling i almen praksis har optaget særskilt fokus med udvikling af et nationalt program med oprettelse af klynger, hvor der er fokus på datadreven kvalitetsudvikling.
IT-systemer, som anvender AI igennem algoritmer, vil på en mere intelligent måde kunne sortere i data, prioritere arbejdsopgaver og understøtte rettidig diag- nostik, og dermed potentielt styrke det datadrevne kvalitetsarbejde. Potentielt, vil både arbejdsbyrden og behandlingskvaliteten i almen praksis kunne forbedres ved
Side 2 af 7
en mere avanceret og effektiv dataudnyttelse samtidigt med borgerne kan opleve bedre service og kvalitet i diagnostik og behandling.
Eksempler, hvor algoritmer kan være behjælpelig i lægens arbejde:
• afhjælpe den store mængde af meddelelser, som lægen håndterer hver dag.
• assistere med automatisk håndtering af indkomne prøvesvar, hvor nær- mere uddybelse af prøvesvaret er unødvendig.
• sortering af blodprøvesvar ved markering af vigtige udfald eller lignende.
Eksempler, hvor algoritmer kan bedre service og kvalitet for borgerne:
• Hurtigere svar på undersøgelser og prøver ved bedre sortering og auto- matisering af svarafgivelse for normale prøver og øget fokus på unormale prøver og undersøgelser.
• Bedre diagnostik og patientforløb ved beslutningsstøtte til sjældne og svære diagnoser
• Færre utilsigtede hændelser ved bedre beslutningsstøtte omkring ordina- tion af lægemidler.
Projektets formål
Dette projekt har til formål at udarbejde en model for anvendelse af AI i almen praksis, som kan bidrage til kvalitetsudvikling samt afhjælpe/lette de praktiserende lægers travle hverdag med tunge mængder af information.
Patientgevinsten
AI kan, som nævnt, være behjælpelig på flere områder for den praktiserende læge, samtidigt med patienterne også opnår flere gevinster ved anvendelsen af den inno- vative teknologi.
• Mere tid til patienterne. Med den stigende mangel på læger og lægernes forøgede tid på administrative opgaver, såsom prøvesvar, udskrivningskort og anden kommunikation fra andre sundhedsprofessionelle, er der lige nu minimal tid tilgængelig til patienten. Med udvikling og anvendelse af algo- ritmer, som kan sortere i administrative opgaver for lægen, kan der frigives mere tid til behandling af patienterne. F.eks. kan håndtering og automatisk svar af helt normale prøver spare tid, som i stedet kan afsættes til at se pa- tienter. Frigivelsen af tid kan muligvis medføre bedre adgang til almen praksis, f.eks. kortere ventetider og udvidede konsultationer osv.
• Prioritering af indkomne meddelelser og hurtigere svar til patienterne. I forlængelse af ovenstående punkt med administrative opgaver, så fyldes den praktiserende læges indbakke mere og mere med informationer af va- rierende vigtighed. Nogle meddelelser kræver hurtig handling, mens andre kan ses til, når der er tid. AI kan hjælpe med prioriteringen af de væsentlig- ste meddelelser, så de håndteres i rette tid. Denne håndtering af informa- tion skal ses som en god serviceydelse til borgeren. Et eksempel kan være
Side 3 af 7
svar på en vigtig blodprøve eller andre prøvesvar, hvor der skal ske hurtig handling. Patienten kan dermed forvente svar samme dag, som prøven lig- ger klar, da meddelelsen er markeret som en prioriteret opgave hos lægen.
En anden gevinst kunne være automatisk svar ved negative prøver, f.eks.
klamydia eller lignende. Ved sådanne svar skal patienten ikke vente på læ- gens godkendelse af prøven og lægen kan bruge sin tid andetsteds.
• Beslutningsstøtte og tidligere diagnosticering. Ved anvendelse af beslut- ningsstøtte udviklet på algoritmer baseret på store datamængder, kan læ- gen få hjælp til at stille vanskelige eller sjældne diagnoser. F.eks. er den hyppigste grund til, at patienter går til egen læge, at de har rygsmerter.
Blandt disse mange patienter er der nogle få, der har rygsøjlegigt, hvilket kan være en svær diagnose at stille. Derfor får disse patienter ofte stillet di- agnosen med adskillige års forsinkelse. AI vil potentielt kunne hjælpe læ- gen med at stille diagnosen tidligere ved at afdække spor i data, som er ty- piske for patienter med denne rygsygdom. På lignende vis, vil der potenti- elt kunne udvikles beslutningsstøtte til andre sygdomme, hvor tidlig diag- nostik er vigtig, f.eks. cancersygdom. Patienter vil dermed kunne reagere på deres sygdom tidligere og måske ligefrem forebygge udvikling af syg- dom samt gener, som ellers ville have opstået.
Dette er blot nogle få eksempler på patientgevinster ved anvendelsen af AI i al- men praksis. AI skal anvendes, hvor det giver værdi i det lange løb for både almen praksis og patienterne. Udvidede undersøgelser af, hvilken værdi der tillægges an- vendelsen af AI i almen praksis er derfor nødvendig.
Deltagende parter MedCom:
Ansvarsområder:
• Det tekniske set-up for projektet (PLSP)
• Kontakt til interessenter: Sundhedsministeriet (SUM), PLO, DSAM osv.
• I projektperioden en del af programmet Digital Almen Praksis
• Understøtte udbredelse i almen praksis
Center for Almen Praksis ved Aalborg Universitet (CAM AAU):
Ansvarsområder:
• Udarbejdelse af modelstruktur for projektet
• Brugerinddragelse (workshop)
• Evt. inddragelse af tredjepartsvirksomhed til udarbejdelse af algoritmer.
Derudover forventes følgende parter:
• Professor Søren Paaske Johnsen (Leder af forskningsprogram for Sund- hedstjenesteforskning, AAU)
• AI specialister fra AAU
• NordKAP (Kvalitetsenheden for Almen Praksis i Region Nordjylland)
• Diverse Almen Praksis Klynger
Side 4 af 7
• Sundhedshuset DOKKEN, Thisted Model for projektet
Projektet skal udvikles omkring lægeklynger (se figur 1).
Den kliniske forankring
Den kliniske problemstilling, som algoritmer og modeller udvikles til at adressere, sker i samarbejde med praktiserende læger i en klynge. Det kan f.eks. være ønsket om mere intelligente arbejdsgange eller beslutningsstøtte.
Data
Data, der anvendes til udvikling af algoritmer og modeller, leveres pseudonymise- rede fra hver enkelte almen praksis i klyngerne til en fælles server. Denne server ejer klyngerne i fællesskab. Data på serveren vil ikke kunne henføres til hverken læge eller patient. Supplerende oplysninger til identificering af de pseudonymise- rede data, herunder CPR-nummer og navne, opbevares fortsat i den enkelte al- mene praksis. Databehandler for klyngeserveren vil være AAU. I tilfælde, hvor al- goritmeudvikling fordrer meget store datasæt, kan klyngerne vælge at dele pseudo- nymiserede data med andre klynger for at opnå tilstrækkelig datamængde.
De forskere og databehandlere, der udvikler modeller og algoritmer, tilgår de pseudonymiserede data på samme vilkår, som gælder for arbejdet på Danmarks Statistiks servere.
Algoritmer
De algoritmer, som udvikles via arbejdet på serveren, føres tilbage til almen prak- sis. Algoritmerne skal fungere som hjælp i lægens hverdag.
Figur 1: illustration af projektets modelstruktur
Side 5 af 7
Udfordringer
• De dataetiske og juridiske aspekter skal beskrives nærmere o Dataopsamling
o Dataopbevaring og – håndtering o Dataansvars- og databehandleraftale o Patientsamtykke
o CE-mærkning o CVR-registrering
• Politiske interessekonflikter, m.fl. skal adresseres
o Hvad er PLO, DSAM m.fl. holdninger til AI i almen praksis?
• Dataetiske dilemmaer ved anvendelsen af store datamængder og AI o Skal lægen opsøge borgere, som ikke selv har bedt om det?
o Hvornår skal AI anvendes i behandlingen af patienten?
o Hvis lægen ikke må bruge oplysningerne, når de bonner ud uan- meldt, hvornår og hvordan skal AI så anvendes?
o Data skal bruges, når det giver værdi, men i hvilke situationer vil det det?
Proces
Projektets indledende fase skal fokusere på udvikling af model for anvendelse af AI på baggrund af historisk data i almen praksis. Til udvikling og afklaring af den teknologiske model nedsættes en arbejdsgruppe med viden og erfaring på områ- det. Arbejdsgruppen kommer til at blive repræsenteret af MedCom og eksperter fra AAU – her i blandt; CAM, dekanatet, forskningsprogram for Sundhedstjene- steforskning og det tekniske fakultet for IT og design.
Derudover skal der nedsættes en juridisk arbejdsgruppe til afklaring af de juridiske forhold. Gruppen skal bestå af repræsentanter fra SUM, PLO, AAU og CAM, samt én eller to læger med den nødvendige viden om almen praksis og en fagper- son med viden om den tekniske løsning.
Et kommissorium udarbejdes for den juridiske arbejdsgruppe og hovedpunkter angår følgende:
• beskrivelse af de juridiske forhold vedr. dataopsamling fra privatprak- tiserende klinikker
• afklaring af opbevaring af klinikdata på klyngeservere placeret hos AAU (databehandler)
• afklaring af regler for datahåndtering
• udarbejdelse af databehandler- og dataansvarsaftaler samt samarbejds- aftaler
• afklaring af CE-mærkning for de teknologiske virkemidler
• Afklaring af behovet for CVR-nummer
Derudover planlægges projektet at indeholde en brugerinddragende undersøgelse med almen praktiserende læger fra klyngen ’Dokken’ i Thisted i en workshop med indledende oplæg om AI, hvor følgende skal undersøges:
Side 6 af 7
• Hvilke it-relaterede problemstillinger/udfordringer i lægens hverdagen skal løses?
• Hvilke problemstillinger/udfordringer er der ved at indføre AI i almen praksis?
• Hvilke informationer skal være tilgængelige for lægen igennem AI? Og hvornår skal informationerne være tilgængelige?
• Hvilke sygdomsområder kan afdækkes vha. AI?
Pilotfase
Efter udvikling af nødvendige tekniske løsninger og afklaring af juridiske forhold, vil en pilotfase træde i kraft. I pilotfasen vil afprøvning af AI-modellen finde sted på en håndfuld udvalgte klynger. Løbende evaluering og udvikling af modellen vil finde sted.
Potentialer: Kvalitet, økonomi, brugertilfredshed
Projektet vil give de praktiserende læger adgang til et værktøj, der kan væsentligt bidrage til mere intelligent datahåndtering og kvalitetsforbedring af almen praksis på baggrund af udnyttelse af de data, der ligger i almen praksis. En mindskelse af arbejdspresset og bedre kvalitet i almen praksis vil have stor betydning for den samlede sundhedssektor samtidigt med, at patienterne vil kunne opleve bedre ser- vice og kvalitet.
Projektet stemmer overens med program for kvalitetsudvikling i almen praksis (overenskomst mellem PLO og RTLN) i form af datadrevet kvalitetsudvikling i hver enkelte klinik. Vil fremadrettet kunne give feedback/hjælpe klyngerne i deres kvalitetsarbejde.
Langsigtet potentiale: udvikling af forskermakine (register) for data i almen praksis til fremtidig forskning? Ikke blot til AI, men andre forskningsprojekter inkluderet også.
Muligheder for landsdækkende udbredelse
Projektet udvikles med forankring ved AAU, men vil umiddelbart kunne udbredes til hele landet.
Forudsætninger for udbredelse
En forudsætning for udbredelse er, at der er klynger, som ønsker at gøre brug af mulighederne for at anvende AI til udvikling af kvaliteten i klyngerne.
Tidsplan
Fire måneder til beskrivelse af model og udførelse af brugerinddragelse. Afslut- ning af denne fase i slutningen af februar 2019.
Derefter en fase på minimum et år til etablering af datastruktur, afklaring af tilla- delser vedrørende model for datahåndtering, anmeldelse af forskningsprojekt og første pilotprojekt.
Side 7 af 7
Økonomi [Indsæt]
