Denna artikeln publicerades först på engelska i Perspectives, som är tidskriften för en tankesmedja med fokus på trender och problem inom vård och IT. Mer information om Perspective hittar du här.
Investeringen i datavetenskap hjälper barnsjukhuset CHOC (Children’s Hospital i Orange County) att ge barnen bättre vård. Det finns gott om åsikter, frågor och spekulationer kring hur maskininlärning och datavetenskap kommer att påverka vården. Spekulationerna och förväntningarna på att data och analyser ska kunna förändra vården är centrerade runt uppfattningen att de framsteg vi ser omkring oss kommer att tillåta datorer att utföra såväl rutinarbete, exempelvis dokumentering, som mycket avancerade uppgifter, exempelvis prediktiva analyser. Målet är att vårdpersonalen ska få mer tid för patienterna.
Visst är det spännande med potentialen hos data att förändra och förbättra vården, men om det saknas en plan för hur dessa data ska omvandlas till kunskap som omvandlas till beslutsunderlag, så blir det lätt överväldigande. De system som används inom vården i dag sitter på ett överflöd av data tack vare mer än tio års digitalisering av dokumentation och patientdata i journalsystemen. För att vården till fullo ska förstå potentialen och kraften i journalsystemen och få avkastning på investeringarna måste ledarna – från sjukhusledningen till läkare och slutanvändare – inte bara härleda intelligens från dessa stora datalager, utan även omvandla den intelligensen till preskriptiva åtgärder som kan leda till bättre resultat för patienterna och bidra till att hantera hälsan hos hela befolkningen och förbättra vårdorganisationernas resultat.
På barnsjukhuset CHOC använder vi dessa data för att hålla barnen friska och se till att de som är sjuka ska må så bra som möjligt. Återinskrivningar på sjukhusen försämrar våra möjligheter att satsa på detta, för att inte tala om att de potentiellt bidrar till mycket negativa resultat för patienterna. Kostnaden är hög även sett till pengar: 41,3 miljarder dollar kostar återinskrivning inom 30 dagar för patienterna i USA, enligt Agency for Healthcare Research and Quality. Vi ville utveckla ett sätt att förstå vilka av våra patienter på CHOC som låg i riskzonen för en återinskrivning efter 7 respektive 30 dagar, så att vi skulle kunna vidta lämpliga åtgärder. Viktigt för denna process var att vi lät en datavetare titta närmare på våra historiska och longitudinella data och utveckla en algoritm som ska kunna hjälpa oss att förutse vilka patienter som ligger i riskzonen för återinskrivning. Med avancerade datavetenskapliga verktyg kan vi använda data från tusentals patienter för att förutse ett resultat för en specifik patient. I egenskap av vårdpersonal vet vi vad som ligger i våra patienters bästa intresse. Men genom att arbeta sida vid sida med datavetare har vi lyckats sammanföra våra respektive kunskaper och våra data har kunnat omvandlats till förslag på åtgärder som förbättrar resultatet för våra patienter.
Datavetenskap och maskininlärning har verklig potential att förändra vården – genom att data kan användas som beslutstöd. Efter att år efter år ha dokumenterat allt i journalsystemen längtar vårdpersonalen nu ivrigt efter att få ut mer av allt detta arbete. Utvecklingen inom medicinsk forskning fortsätter att producera en explosion av data, och det kommer att krävas både verktyg och expertis för att denna data ska bli användbar för vårdpersonalen. För att systemen i vården ska hålla jämna steg med utvecklingen och skörda fördelarna av denna nya datavåg, kan det vara en idé att ta hjälp av datavetare. De kan lägga till ny information, vilket kan leda till bättre vårdprotokoll och bättre resultat för patienterna.
Ett annat övervägande gäller hur och var datan ska sparas. Molnbaserad lagring och bearbetning gör att vi kan ha åtkomst till större datauppsättningar och tillämpa mer sofistikerade variabler för att finjustera våra algoritmer. När vi först började tillämpa intelligens för våra data hade den största studien 98 variabler och omfattade 37 000 patienter. I vår nuvarande molnbaserade modell har vi en datauppsättning med 384 variabler och 13,9 miljoner patienter. Med molnbaserade resurser utnyttjar vi elasticiteten i beräkningskapaciteten för att kunna bearbeta data snabbare och inkludera fler variabler, vilket i sin tur leder till mer korrekta algoritmer.
Det krävs en investering för att införliva datavetenskapliga strategier i sjukhussystem och vårdinformationssystem, men det är en investering som kan leda till bättre resultat för patienterna och minskade kostnader, i synnerhet i en ny era med värdebaserad vård. Vår algoritm för återinskrivningsrisken har exempelvis gjort det möjligt för oss att inte bara förutse vilka patienter som behöver en insats utan även minskat antalet patienter som behöver skrivas in på nytt. Detta är ett viktigt nyckeltal för de nya värdebaserade ersättningssystemen inom vården.
Vi är fortfarande bara i början av vår implementeringsresa men i denna supersnabba miljö är arbetet med att utveckla fler algoritmer både snabbare och enklare. Vi arbetar exempelvis med att finjustera en algoritm för försämringar hos en patient, som ska varna oss tidigare när en patient behöver flyttas till intensiven. Ju tidigare en patient flyttas över till intensiven, desto mer sannolikt är det att de inte kommer att behöva extraresurser såsom ventilation och hjärt- och kärlmedicinering. Algoritmen gör att vi kan ingripa snabbare när en patients tillstånd försämras, samtidigt som vi använder våra resurser på bästa vis. Precis som återinskrivningsalgoritmen hjälper detta oss att tillhandahålla bättre vård, och samtidigt begränsa antalet kostsamma åtgärder och längre vårdtider.
Framtiden för datavetenskapen handlar inte om att ersätta vårdpersonal – en algoritm kan inte genomföra en läkarundersökning eller ha ett effektivt samtal med en människa och fånga upp känslor eller ge stöd – utan om att läkarna ska få tillgång till information och verktyg som hjälper dem med bättre underlag för sina beslut och på så sätt tillhandahålla bättre vård. Hälso- och sjukvårdsorganisationerna kan börja med att ta fram rätt verktyg och resurser för att få ut så mycket som möjligt av organisationens data.
Om artikelförfattaren
Dr. William Feaster arbetar som Chief Health Information Officer på CHOC Children’s Hospital. Han vägledde implementeringen av ett fullständigt integrerat journalsystem (EHR) för öppenvård och slutenvård på CHOC. Som ett resultat av detta har CHOC uppnått såväl Meaningful Use Stage 2 som 3 och sjukhuset certifierades nyligen som HIMSS nivå 7 EMRAM. CHOC tilldelades utmärkelsen Nicholas E. Davies Award of Excellence under 2016 för användningen av hälso- och sjukvårdsrelaterad IT för att förbättra resultatet för patienterna.
William Feaster utvecklar teknik som stöd för arbetet med folkhälsan inriktat på aktuella och framtida populationer som ligger i riskzonen samt hanteringen av analysfunktioner och ett aktivt datavetenskapsprogram på CHOC. Nyligen utsågs William Feaster till forskare på Goergen Institute of Data Science, University of Rochester.
