Støttesystem til den kliniske beslutningsproces baseret på patientjournaler
Ali Ebrahimi arbejder som postdoc ved SDU Sundhedsinformatik og Teknologi. Han er datalog, og hans forskningsområde er klinisk maskinlæring for at udvikle forudsigelige modeller for sundhedsrelaterede problemer.
Ali analyserede digitale sundhedsjournaler for en tidligt forudsigelse af alkoholforbrugsforstyrrelser (AUD). AUD forårsager en betydelig mængde dødelighed og skader. De fleste personer, der lider af AUD, gennemgår aldrig specialistbehandling under deres afhængighed på grund af den dårlige ydeevne af konventionelle AUD-identifikationsmetoder, manglen på systematisk screening for alkoholproblemer og tabuet og stigmatiseringen forbundet med skadeligt drikkeri. De elektroniske patientjournalsystemer, der er blevet tilgængelige for nylig, og fremskridtene inden for maskinlæringsalgoritmer har gjort det nemmere at komme med kliniske begrundelser, når man rådgiver patienter. Derfor brugte undersøgelsen patienternes EPJ’er til at udvikle prædiktive modeller til at identificere og opdage patienter med AUD. Ali og de andre involverede forskere indsamlede EPJ’er fra 2.551 AUD-positive og AUD-negative patienter fra Odense Universitetshospital.
Anette Søgaard Nielsen ser på fordelene ved projektet for patienterne
Anette er professor (MSO) og arbejder på Institut for Klinisk Forskning på SDU. Sammen med kolleger forsker Anette Søgaard Nielsen i Psykiatri og Misbrugsmedicin.
Alis undersøgelse er betydningsfuld for hende, fordi patienternes måde at leve på påvirker deres risiko for sygdom og prognose for behandling. Det er især tilfældet for rygning og alkoholbrug, både hvad angår sygdomme og dødsfald, der kan forebygges. Sygehuspersonalet skal derfor – generelt – informere patienterne om en sundere livsstil. Det er meget vigtigt, hvis patienterne ikke er klar over, at de har en vane, der fører til eller påvirker deres sygdom eller ikke ved, hvor de skal søge hjælp til at ændre sig. I sidstnævnte situation skal personalet rådgive og henvise patienten til relevant hjælp og videre behandling. Hospitalspersonalet føler sig ret godt tilpas med at tale med patienten om rygnings indvirkning på helbredet. Alligevel er personalet desværre meget mere tilbageholdende med at tage fat på emnet alkoholmisbrug på grund af frygt for stigmatisering. Kvalitative undersøgelser har vist, at sygehuspersonale ønsker at være ret sikre på, at alkoholforbrug spiller en afgørende rolle for patienternes helbredsproblemer, før de starter ensamtale om alkohol og fordelene ved at reducere indtaget af alkohol. Derfor er patienterne ofte ikke informeret om, hvordan man forebygger sygdom og genindlæggelse forårsaget af alkoholmisbrug. De henvises ikke til behandling for alkoholmisbrug, selvom de har brug for det.
Al reduktion af overdreven alkoholforbrug har en positiv indvirkning på sundhed og andre sygdomme. Sen diagnostik fører til forebyggelig død og alvorlig sygdom, især hjerte-kar-sygdomme, leversygdomme og kræft.
Samarbejdet
Dette projekt var et tværfagligt projekt blandt computeringeniører og kliniske alkoholforskere. Der blev afholdt adskillige møder for at forstå karakteren af AUD, tilgængeligheden af EPJ’er og de forventede resultater. Møderne var nødvendige for at skabe tillid og skabe forståelse for det indledende problem og dets udfordringer under udviklingen af algoritmerne.
Desuden blev alle algoritmer testet ved hjælp af state-of-the-art evaluerings- og valideringsteknikker. Den sidste test vil være, når klinisk personale afprøver algoritmerne i virkelige situationer.
Fordele ved et datadrevet beslutningsstøttesystem
Et datadrevet beslutningsstøttesystem kan kun hjælpe personalet til at blive opmærksom på, at overdreven alkoholforbrug kan være en komplicerende faktor og minde personalet om at tage en samtale med patienten og tilbyde hjælp, hvis det er nødvendigt. Det er ikke et værktøj til at give patienten en tillægsdiagnose.
De maskinlæringsmodeller, der er udviklet på nuværende tidspunkt, kan opdage, om personer er AUD-positive eller -negative med en nøjagtighed på 93 % vha. en random forest-algoritme. Modellerne er videreudviklet ved hjælp af neural network algoritmer for tidlig opsporing (18 måneder før AUD) af
personer, med en overordnet nøjagtighed på 87 – 89 %.
Indsamling af data er fortsat et problem
Ali ser den største faldgrube i dataindsamlingen, som de løste ved at kontakte OUHs datacenter. Det er nødvendigt at stå fast og følge op i sådan en proces.
Mere interaktion mellem klinikker og forskere ville sandsynligvis øge forståelsen af problemer og føre til mange innovative løsninger.
