ima156259-min

Guide

Så väljer ni verktyg för automatiserad anamnes och triage

Hur ska vårdorganisationen hitta rätt i en djungel av olika triage- och anamneslösningar?

Inledning

Idag är det tydligare än någonsin att vården måste kunna använda sin tid så effektivt som möjligt för att kunna hjälpa dem som behöver det mest. Därför är det inte så konstigt att allt fler vårdorganisationer inser värdet av ett automatiserat verktyg för anamnes och triage, som kan sammanställa patienternas symptom och sjukdomshistorik och guida dem till rätt typ av vård.

En sådan lösning varken kan eller bör ersätta vårdpersonalens viktiga arbete. Däremot bör man säkerställa att verktyget faktiskt skapar det mervärde som krävs för att stötta och effektivisera vårdpersonalens arbete, både idag och på sikt.

Men hur ska då vårdorganisationen hitta rätt verktyg att arbeta med i en djungel av olika lösningar?

Vi har listat ett antal frågor som ni bör ta med er när ni pratar med olika leverantörer (varav en får ta extra stor plats i denna guide).

Börja från grunden!

Ibland är det svårt att veta var man ska börja när det är många saker man vill uppnå. Att köpa eller upphandla ett automatiserat verktyg för anamnes och triage är en investering som kommer att påverka hela organisationen, både personal och processer. Det är viktigt att känna sig trygg i att man väljer rätt.

Det finns ett antal frågor som är viktiga att få svar på:

  • Vad vill ni uppnå med verktyget – idag och i framtiden?
  • Hur fungerar verktyget?
  • Kan verktyget integreras med befintliga lösningar? I så fall hur?
  • Hur många symptom och diagnoser kan verktyget hantera?
  • Hur mycket löpande arbete kommer verktyget att kräva från er vårdorganisation?
  • Kan verktyget hantera flera olika vårdområden eller enbart primärvård?
  • Är det möjligt att koppla verktyget till andra nätverk och datakällor?
  • Är verktyget flexibelt, dvs. går det att anpassa funktionalitet utifrån egna behov?
  • Hur säkerställs evidens och kvalitet?

Den allra första frågan som bör ställas är:

Vad vill ni uppnå med verktyget – idag och i framtiden?

Det är viktigt att ni formulerar vilka problem ni förväntar er att verktyget ska lösa. Behöver ni ett stöd som kan fungera generellt inom primärvården? Eller vill ni ha en lösning som på sikt kan användas inom fler områden, som kan hantera mer komplexa fall och som på sikt kan användas mer autonomt för att guida patienten rätt?

Då ett verktygs potential är starkt kopplade till vilken bakomliggande struktur det är byggt på kommer vi automatiskt in på kommande fråga som kommer att ta ganska stor plats i denna guide:

Vilken modell är verktyget byggt på?

Denna fråga bör ställas tidigt eftersom detta är av stor vikt för verktygets möjligheter och begränsningar. Men först lite information om några möjliga modeller:

Regelbaserat expertsystem

Idag bygger de flesta lösningar för automatiserad triage och anamnes på ett s.k. regelbaserat expertsystem (ibland även kallat beslutsträd eller strukturerade formulär). Till exempel är Rådgivningsstödet webb, som hjälper sjuksköterskor vid rådgivning och bedömning av vårdbehov, byggt på detta system. I ett automatiserat verktyg baserat på denna modell får patienten svara på frågor enligt principen ja/nej, över/under osv, och beroende på svar går hen vidare till olika förutbestämda grenar i trädet, baserade på olika scenarios och kopplingar som lagts in.

1-Tree-smart-brain

Ett regelbaserat expertsystem har sina fördelar. Det är tydligt, transparent och kan lämpa sig utmärkt i situationer med relativt enkla problem och lösningar.

Dock bör man ha följande i åtanke:

  • Varje tänkbart scenario måste läggas in på förhand

Att manuellt behöva lägga in och underhålla tusentals tänkbara scenarios i systemet ställer inte bara höga krav på dem som ska beskriva alla dessa scenarier –det innebär även ett massivt arbete som kostar tid och pengar.

  • Det går endast att hantera ett symptom åt gången

Patienter har sällan bara ett symptom. Det finns ofta många parallella symptom, som alla behöver beaktas. Om det bara finns ett enda symptom att välja kan det dessutom vara svårt för patienten att bestämma vilket som ska väljas, vilket kan innebära att hen anger ”Övrigt” för säkerhets skull – en väg som få verktyg kan hantera.

  • Det går inte att byta spår

Modellens struktur begränsar möjligheten att byta spår när ett spår väl har valts.
Saker följer inte alltid en viss linje – det som till en början såg ut att vara magkatarr kanske snarare var ett problem kopplat till psykisk ohälsa. En sjuksköterska som ger råd via telefon kan enkelt byta spår när hen inser detta, till skillnad från ett regelbaserat expertsystem. Att scenarier är förutbestämda innebär en risk att verktyget blir generaliserande snarare än individanpassat och patientcentrerat.

  • Modellen kräver i hög grad en människas inblandning

Det kan vara värt att nämnas igen – en automatiserad lösning varken kan eller bör ersätta vårdpersonal till fullo. Men ett verktyg som baseras på ett regelbaserat expertsystem kommer att kräva relativt stora insatser från en människa som kan tänka förbi vissa spår eller leda rätt när det låser sig vid ett stuprör. Därmed begränsas möjligheterna att på lång sikt automatisera delar av processer och/eller beslut.

Vad finns det då för alternativ?

Black box

En alternativ modell är Black box – en AI- eller Machine Learning-modell som har använts länge inom vården. En Black box-lösning kan identifiera mönster inom enorma mängder data och används bl.a. för att identifiera bilder inom radiologi. I denna modell skickar man in data och får ut data – däremot vet man inte hur och varför specifika data kommer ut. Denna brist på transparens gör att modellen är problematisk att tillämpa inom anamnes och triage, då det ur säkerhetssynpunkt är viktigt att kunna följa hur en slutsats har dragits.

2-Black-box

Sannolikhetsbaserat nätverk

En tredje modell inom automatiserad triage och anamnes är ett s.k. sannolikhetsbaserat nätverk, även kallat bayesianskt eller probabilistiskt nätverk.

Ett sannolikhetsbaserat nätverk behöver inte innehålla mängder av data redan från början – det viktiga är att det är rätt typ av data, dvs validerade data som bygger på expertis. I nätverket finns även regler kring hur diagnoser och symptom förhåller sig till varandra, och sannolikheten av olika tillstånd kan utvärderas dynamiskt efter varje svar patienten ger. Människan kan lägga till data och regler, men sedan är det upp till algoritmerna att arbeta fram svar och sannolikheter. Därefter valideras algoritmernas slutsatser och läggs in som nya data.

3-Bayesian

Även i ett verktyg byggt på ett sannolikhetsbaserat nätverk får patienten svara på frågor om sina besvär och sin sjukdomshistoria. Men till skillnad från ett regelbaserat expertsystem, som ju är begränsad till ett specifikt träd och dess olika grenar, kan ett sådant verktyg hämta information från de mängder av olika noder och regler som finns i nätverket. Beroende på vilka svar patienten ger kan nya relevanta följdfrågor identifieras och ställas, samtidigt som sannolikheten av olika tillstånd kan utvärderas dynamiskt efter varje svar patienten ger. En patient kan komma in med flera symptom, och ju mer information som patienten adderar genom att svara på frågor, ju fler noder kopplas in vilket påverkar såväl följdfrågor som möjliga diagnoser. Modellen har därmed helt andra förutsättningar att hantera mer komplexa fall än regelbaserade expertsystem.

Några fördelar med att välja ett automatiserat verktyg baserat på ett sannolikhetsbaserat nätverk är:

  • Det kan hantera miljontals olika scenarier

Det finns knappt några begränsningar kring hur många symptom och diagnoser som kan finnas med i ett sannolikhetsbaserat nätverk – det kan hantera miljontals olika scenarier. Nätverket kan dessutom ta hänsyn till att en patient listar ett eller flera parallella symptom redan från början, men det kan även byta spår i samband med att information läggs till eller ändras. All angiven information beaktas, samt relationer mellan symptom och olika tillstånd.

Modellen erbjuder dessutom full insyn och kan förklara varför olika slutsatser dragits – en central punkt när det kommer till patientcentrering och patientsäkerhet.

  • Det blir smartare med tiden

Nätverket har möjlighet att bli smartare med tiden genom att allt mer information kontinuerligt adderas och delar av nätverket provkörs. Besluten blir mer tillförlitliga då det både kan ge förslag på misstänkta diagnoser och rekommenderade åtgärder. Det innebär att ett automatiserat verktyg byggt på denna modell har potential att agera autonomt i vissa fall, till exempel genom att rekommendera patienter till egenvård, när tillräckligt stora mängder data samlats och besluten validerats i tillräckligt hög grad.

  • Det kan sammankopplas med andra relevanta datakällor och nätverk

I ett sannolikhetsbaserat nätverk kan gränssnittet öppnas upp för andra relevanta datakällor. Det kan röra sig om data från t.ex. Apple Watch och andra monitoreringsverktyg, som kan ge information om puls, rörelse, sömnmönster och mycket annat. Men det kan även samarbeta med andra större typer av nätverk, t.ex. nätverk som är specialiserade på hud eller som kan spåra smittspridning med hjälp av en användares gps-position. Att öppna upp för samarbeten med andra nätverk innebär att det inte finns några egentliga begränsningar för vilka vårdområden som kan inkluderas, men också att lösningen är framtidssäkrad. För ingen vet exakt vad som kommer att krävas på marknaden om tio år, och ingen enskild organisation eller leverantör kan lösa allt. Med ett öppet system kan man plocka in de delar som efterfrågas.

4-Medical-core

  • Det kräver minimalt med underhåll från organisationens sida

Ett sannolikhetsbaserat nätverk kan ständigt förbättras genom att matas med nya validerade data. Men till skillnad från ett regelbaserat expertsystem behöver inte en människa beskriva varje möjligt förlopp i detalj, eller skriva om ifall informationen skulle förändras eller behöva kompletteras – själva kopplingen hanterar algoritmerna. Därmed slipper organisationer lägga stora mängder tid (och pengar) på att bygga upp ett innehåll som är redo att användas.

Ett relevant exempel: Vid en plötslig pandemi behöver verktyget ställa nya frågor och göra nya kopplingar för att få fram relevant diagnos. I ett regelbaserat expertsystem skulle dessa träd och grenar behöva läggas till från grunden och alla träd skulle behöva uppdateras för att kunna ta hänsyn till den nya informationen. I ett sannolikhetsbaserat nätverk räcker det med att lägga in ett antal nya riskfaktorer, symptom och diagnoser. Man behöver därmed inte bygga – eller vid behov förändra – innehållet, utan snarare förstärka det som redan finns genom att addera nya relevanta data.

I ovanstående fråga och beskrivning har vi osökt kommit in på ett antal frågor i listan:

  • Hur många symptom och diagnoser kan verktyget hantera?
  • Hur mycket arbete kommer verktyget att kräva från er vårdorganisation?
  • Kan verktyget hantera flera olika vårdområden eller enbart primärvård?
  • Är det möjligt att koppla verktyget till andra nätverk och datakällor?

Det finns dock några kvarstående frågor att återkomma till:

Hur fungerar verktyget?

Den bakomliggande strukturen kan ge information om hur verktyget fungerar på baksidan, men det är även viktigt att verktyget fungerar bra för användarna. Vårdpersonalen behöver ha ett smidigt system som är intuitivt och som kan ge dem den information och struktur som krävs för att de ska kunna spara tid, arbeta mer effektivt och samtidigt patientsäkert. Men även patienternas behov måste tillgodoses – om de inte är nöjda och känner tillit till verktyget kommer de med största sannolikhet att hitta andra vägar för att kontakta vården. Be därför leverantören att gå igenom verktygets funktionalitet i detalj så att ni kan se flöden från olika perspektiv. Fråga gärna om användartester har genomförts hos både vårdpersonal och patienter, och vilka processer som finns uppsatta för att säkerställa användarvänlighet.

Går verktyget att integrera med befintliga system?

Att jobba i parallella system är knappast hållbart i längden. Säkerställ att lösningen är öppen för integration med era befintliga system.

Är verktyget flexibelt?

Alla vårdorganisationer arbetar inte på samma sätt, och det finns ett stort värde i att kunna välja eller anpassa funktioner utifrån egna behov. Kontrollera vilka möjligheter det finns för konfiguration.

Hur säkerställs evidens och kvalitet?

Undersök vilka processer och riktlinjer som finns för att säkerställa kvalitet och evidens. Hur ser processen ut? Hur valideras innehållet? Det är viktigt att ni upplever verktyget som tryggt och säkert.

I den här guiden har vi sammanställt de områden som ni bör ha i åtanke när ni börjar se er om efter möjliga lösningar för automatisering av utvalda patientflöden. Kontakta oss gärna om ni vill bolla idéer eller om ni vill höra mer om Visiba Triage, Visibas lösning för automatiserad anamnes fungerar.

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