CDSS CLINICAL DECISION SUPPORT SYSTEM

Transkript

1 CDSS CLINICAL DECISION SUPPORT SYSTEM 1

2 Udvikling af klinisk beslutningsstøttesystem Ved hjælp af kunstig intelligens og data analyse metoder Tidlig iværksættelse af forebyggende indsatser i et tværsektorielt samarbejde Risikoprofiler på borgerne Forklaringsmodeller til de sundhedsfaglige: hvorfor er netop denne borgere i risiko for en akut indlæggelse Simulator til de sundhedsfaglige: hvilken intervention foreslår data Etiske dilemmaer: hvad forventer borgerne, hvilke krav har de og hvad er etisk forsvarligt Juridiske rammer: når et forskningsprojekt bliver til drift 2

3 Det kan kunstig intelligens hjælpe os med Forudsigelse: Er borgeren i høj risiko for at opleve en akut indlæggelse inden for 1 år? XAI Årsager: Hvilket begivenhed er årsagsgivende ift. den fremtidige forværring af sygdom? Simulator: Hvilken intervention er bedst (ifølge maskinen) at give borgeren? Tid 3ud af 18

4 Målgruppen er de mindre raske Meget syge borgere Højt forbrug af sundhedsydelser Mindre raske borgere Mellem forbrug af sundhedsydelser Raske borgere Lille forbrug af sundhedsydelser Hvornår og hvorfor ændrer billedet sig? 4

5 Metode Sundhedsdata fra Horsens klyngen giver muligheder for ny viden borgere 18+ Primær sektor Sekundær sektor Registerdata Kommunernes omsorgsjournal Elektronisk patientjournal Landspatient register Social arbejdsmarked 5

6 Sundhedsdata, som algoritmen baserer sig på Primær sektor Kommunernes elektroniske omsorgsjournal (EOJ) Præhospitalet Praktisk hjælp Sygepleje Personlig pleje Genoptræning Henvendelsesårsag Kørselsform Kohorte n Sekundær sektor Dansk Receptdatabase (DNDRP) Hospitalernes elektroniske patientjournal (EPJ ) PAS-modulet Hospitalernes elektroniske patientjournal (EPJ ) Medicinmodulet Ekspeditionsdato Præparat Somatiske Psykiatriske Somatiske Psykiatriske Hospitalernes laboratoriesystem (LABKA) Analyser/svar ca borgere, 18+ Registerdata Registerbaserede Evaluering Af Marginaliseringsomfanget (DREAM) Sygesikringsregisteret (SSR) Det centrale personregister (CPR) Socioøkonomiske Almen Praksis Psykolog Borgeroplysninger Landspatientregisteret (LPR) Somatiske Psykiatriske Privat 6/11

7 Maskinlæringsmodeller fra et lægefagligt perspektiv Meget simpel model Hvis vi har data fra alle patienter på events Fx temperatur på alle patienter hver dag: syg eller ikke syg Let at vurdere, om patient er syg eller ej Kompleks model Hvis vi har mangelfulde data: kun på hver anden patient og hver anden dag Svært at vurdere på baggrund af denne ene datakilde Brug for flere data på flere events for at se et mønster og kunne vurdere, om patient er syg el ej Mere kompleks model Hvis det drejer sig om en mere kompleks diagnose end syg/ikke syg Flere data skal i spil og jo mere mangelfulde data er jo flere datatyper og jo flere events har vi brug for 7/11

8 Perspektiver på kunstig intelligens set fra ortopæd kirurgen Tidlig opsporing af (kritisk) sygdom på hospitalet Beslutningsstøtteværktøj Forebygge genindlæggelser Forebygge indlæggelser 8/11

9 Før og efter patienten er syg Før sygehuskontakt Efter sygehuskontakt Forebygge indlæggelser sygehuskontakter De rigtige i akutafdeling De rigtige i ambulatorierne Begrænse sygehuskontakt Klinisk beslutningsstøtte Tidlig opsporing af sygdom Færre genindlæggelser 9/11

10 Jeg kigger jo kun på hoften hvad hvis jeg også kan få andre oplysninger? + Kunstig Intelligens 10/11

11 Perspektiverne 11/11

12 Evt. spørgsmål Jeppe Lange: Gitte Kjeldsen: 12