Teknologi Primærhelsetjenesten

KI i primærhelsetjenesten – hvordan automatiserer vi den første kontakten med pasientene?

Anastacia Simonchik

<span id="hs_cos_wrapper_name" class="hs_cos_wrapper hs_cos_wrapper_meta_field hs_cos_wrapper_type_text" style="" data-hs-cos-general-type="meta_field" data-hs-cos-type="text" >KI i primærhelsetjenesten – hvordan automatiserer vi den første kontakten med pasientene?</span>

Når vi har kartlagt hva brukerne våre trenger, og når vi undersøkt hva slags data vi kan bruke, må vi begynne å tenke på hva slags teknologi en automatisert første kontakt med pasientene bør bygge på. Når vi skal utvikle løsninger basert på kunstig intelligens for primærhelsetjenesten, hvilke valgmuligheter har vi?

Som vi nevnte i forrige artikkel, vil datatype, -mengde og -kvalitet være med på å bestemme hvordan den automatiserte løsningen skal utvikles. Så hva slags teknologi vil skape størst verdi i det lange løp og dekke behovene til både pasienter og helsemedarbeidere? Intelligente systemer kan lages på flere måter. Grovt sett kan vi klassifisere dem i følgende tre grupper:

Regelbaserte ekspertsystemer

Et regelbasert ekspertsystem er den mest håndgripelige metoden å illustrere. Regelbaserte ekspertsystemer er basert på en lineær struktur med «hvis/da/hvis ikke»-instrukser. Det er en tydelig, gjennomsiktig og perfekt fungerende metode for oppgaver med begrenset kompleksitet siden praktisk talt hvert eneste løsningsscenario må beskrives. Straks oppgavene blir litt mer komplekse, er vi nødt til å veie detaljnivå opp mot muligheten til å håndtere antallet scenarier. Det fører ofte til forenklinger og generalisering og/eller bruk av et menneske som en «hemmelig ingrediens» for å få systemet til å fungere. Denne typen algoritmer har hatt en viss utbredelse i helsevesenet på et begrenset antall scenarier i beslutningsprosessystemer, der mennesker blant annet får hjelp til å avgjøre hvordan skadede skal behandles og prioriteres. Den største ulempen med dette systemet er at mennesker ikke kan tas ut av ligningen og byttes med en maskin.

Black-box

Black-box-algoritmer er ikke en stor nyhet i helsevesenet, særlig takket være radiologi. Der har man behandlet store bildesett for å gjenkjenne mønstre innenfor et stort antall bilder for eksempel for å skille mellom friskt og sykt vev. En black-box-algoritme mates med et stort datasett som er relevant for den aktuelle oppgaven. Den identifiserer mønstre og blir mer nøyaktig etter hvert som den brukes. Det er ganske praktisk når datasettene er så store og uklare at tiden det ville ta et menneske å behandle dem, ville gjøre oppgaven helt meningsløs. Ulempen er at grunnen til at hver mønster blir formulert, er umulig å forstå for mennesker og dermed umulig å lære av. I en god del situasjoner er dette godt nok. Riktignok ser vi ikke inn i «den svarte boksen», men alternativet er vi ikke får noen som helst innsikt i det hele tatt.

Probabilistiske nettverk

En tredje metode får ikke like mye omtale som de første to. I black-box-teknologien identifiserer algoritmen selv mønsteret. I et probabilistisk nettverk kan derimot vi mennesker komme med mønstrene og tolkningene, i alle fall i starten. Et probabilistisk nettverk mates ikke nødvendigvis med en enorm mengde historiske data, men kan ved hjelp av ekspertdomenekunnskap danke ut black-box-algoritmer som er programmert på grunnlag av dårlige data. Denne kunnskapen må oversettes i riktig format og struktureres i relevante noder og koblinger, slik at algoritmen kan forstå og behandle. Nodene i et probabilistisk nettverk representerer interessante variabler, og kantene representerer forbindelsen mellom dem. Når det gjelder primærhelsetjenesten, vil symptomer og tilstander representere nodene med forskjellige styrkeforhold seg imellom hvis det er relevant. Noder og koblinger kan legges til, knyttes sammen og fjernes fra systemet for å skalere det opp elle ned, og et slikt nettverk blir dannet for å beskrive problemet i stedet for å gi en konkret «oppskrift» på hvordan hvert potensialt scenario kan løses. Denne oppgaven er det opp til algoritmen å finne ut av. Ikke bare kan den håndtere alle mulige scenarier og forskjellige kompleksitetsgrader, men også gjøre rede for konklusjonene den kommer frem til hvert skritt langs veien.

Probabilistiske nettverk muliggjør maksimal gjennomsiktighet, siden inndataene kan styres fullt ut. De kan dessuten gi en klar grafisk gjengivelse som gjør det mulig effektivt å dokumentere og evaluere utdataene og opprettelsen av disse utdataene. Å håndtere helsa vår slik det blir gjort i primærhelsetjenesten, krever denne typen gjennomsiktighet, i hvert fall helt i starten.

Hvilken metode fungerer best for å automatisere den første kontakten med pasientene?

Når oppgaven er enkel og har et begrenset antall scenarier, er regelbaserte ekspertsystemer perfekte. De er gjennomsiktige, og logikken er lett tilgjengelig og kontrollerbar. Å automatisere den første kontakten med pasientene er imidlertid verken begrenset eller enkelt. Denne metoden kan dessuten ikke oppskaleres, og den støtter ikke bærekraftig integrering med for eksempel smarte målere som allerede nå er på vei inn i pasientenes hjem. La oss derfor se på de andre to. En black-box-løsning gir potensielt et godt nok sluttresultat hvis inndataene har høy kvalitet. Men siden disse strukturene er som de er, kan de ikke oppfylle de kompromissløst grunnleggende kravene i primærhelsetjenesten: integrering i den digitale/fysiske arbeidsflyten, gjennomsiktighet og bevissthet om medisinsk kontekst. Verken pasienter eller helsemedarbeidere kan begrunne, evaluere eller påvirke resultatet. Reglene og logikken er helt skjult for brukerne. Det er ikke godt nok i en kontekst der store mengder regler allerede er kjent og uttrykkelig beskrevet: Hva er de mest typiske symptomene på en spesifikk tilstand.

Utvikling av probabilistiske nettverk har flere fordeler med hensyn til skalering og gjennomsiktighet, og det oppfyller alle behov:

  • Det oppfyller den medisinske bevissthetsfaktoren: Probabilistiske nettverk gjør det mulig å sette inn ekspertdomenekunnskap og påvirke nodene, koblingene og den generelle tilordningen av nettverket.
  • Vi kan påvirke hva som vises for pasientene, og påse at de blir møtt med relevante spørsmål på et pasientvennlig språk.
  • Det er tvers igjennom gjennomsiktig og begrunner alle konklusjoner.
  • Det gir en tydelig grafisk gjengivelse som bidrar til enklere integrering med den digitale/fysiske arbeidsflyten og dessuten mulighet til å forklare systemet for klinikere med hensyn til symptomer, tilstander og forholdet mellom dem.

Utvikling av probabilistiske nettverk er derfor uten tvil den mest lovende løsningen for de behovene en første kontakt med pasientene stiller. På denne måten drar både helsemedarbeidere og pasienter nytte av verktøyet på en trygg og pålitelig måte.

Denne utviklingen er i en forholdsvis tidlig fase, så helsemedarbeidere bør være forberedt på å bidra med å overvåke flyten og evaluere hvor rimelig og nøyaktig konklusjonen og den potensielle henvisningen til disse nye systemene er. Samtidig kan det hende at de tidlige fordelene med løsningene som fortsatt blir bygd og validert, er at helsemedarbeidere kan prioritere enklere, dokumentere pasientsaker mer effektivt og veilede pasientflyten effektivt og sømløst integrert med egen arbeidsflyt. Etter hvert som teknologien utvikler seg, vil saker bli overført med høye konfidensnivåer til algoritmene. Pasientene får også en enklere tilværelse. De får adgang til helsevesenet via en ny kanal som gir dem nødvendig bekreftelse, tillit og tilgjengelighet, uansett når de trenger det og hvor de er, og uten å belaste systemet unødig.

Visiba Group AB
Adolf Edelsvärds Gata 11 Göteborg, 414 51
Phone: 0761993666