DESERT

Projektet løb fra 2019 til 2022. Projektet blev afsluttet, og systemet blev ikke implementeret. Algoritmerne skulle afprøves yderligere, før de kunne anvendes klinisk. Som en del af projektet blev der indsamlet ekstra blod- og urinprøver ved patienters indlæggelse, som efterfølgende blev sammenholdt med senere diagnoser for at træne systemet.

Systemet brugte 14 algoritmer til at klassificere patienter i forhold til sandsynligheden for at udvikle de mest kritiske diagnoser og infektioner. Disse algoritmer blev udviklet som en del af projektet og gennemgik kliniske test.

Systemet blev fodret med halvanden million blodprøvesvar fra 9000 anonyme patienter, inklusiv svar på, hvad problemet hos den pågældende patient var. Indsamlingen af disse data blev gjort muligt ved at tage ekstra prøver ved indlæggelse, hvilket var en central del af projektets metode.

Systemet blev testet både klinisk og gennem daglig kvalitetssikring i laboratoriet samt løbende datarapporter. Selvom projektet gennemførte kliniske tests, blev der endnu ikke produceret en endelig rapport, og yderligere validering af systemet var nødvendig.

De 14 algoritmer, der blev udarbejdet i forbindelse med projektet, skulle afprøves på afdelinger på Sygehus Lillebælt gennem en randomiseret, kontrolleret undersøgelse af læger, der anvendte algoritmerne, sammenlignet med læger, der ikke anvendte dem.

Projektet forventede at kunne reducere antallet af dødsfald ved blandt andet at mindske antallet af patienter med blodforgiftning, antallet af indlæggelser og genindlæggelser på intensivafdelingen samt den gennemsnitlige liggetid på hospitalet. Systemets evne til at rangordne sandsynligheden for livstruende tilstande kunne bidrage til en hurtigere og mere præcis diagnostik.

I et samarbejde mellem Sygehus Lillebælt, Institut for Biokemi og Immunologi ved Syddansk Universitet, Kræftens Bekæmpelse og softwarefirmaet SAS Institute, har man lavet et studie af, hvordan kunstig intelligens kan analysere blodprøver og herudfra forudsige risikoen for kræft hos en patient.