Kunstig intelligens i almen praksis

Projektet blev påbegyndt i december 2019 med en oprindelig slutdato i maj 2021, men blev forlænget til udgangen af december 2021 på grund af COVID-19. Ved projektets afslutning var der opnået juridisk godkendelse til at overføre en betydelig mængde patientjournaler fra almen praksis til Aalborg Universitet, hvilket gjorde det muligt for universitetet at udvikle og træne algoritmer til at tackle specifikke problematikker i almen praksis. Efter projektets afslutning fortsætter Region Nordjylland med initiativerne, støttet af regional finansiering i 2022, og der arbejdes på yderligere finansiering gennem fondansøgninger.

Projektet sigtede mod at integrere kunstig intelligens i almen praksis som et værktøj til at fremme datadrevet kvalitetsudvikling. Blandt andet blev en algoritme testet i den kommunale hjemmepleje, som forudsagde indlæggelsesrisiko og fungerede som et beslutningsstøtteværktøj. Dette gav mulighed for tidlige indsatser og dermed forebyggelse af akutte indlæggelser.  

Algoritmerne blev også udviklet til automatisk at håndtere indkomne prøvesvar, hvor de kunne skelne mellem resultater, der krævede lægelig vurdering, og dem, der kunne sendes direkte til patienterne. Desuden markerede algoritmerne de prøvesvar, der krævede særlig opmærksomhed, og fremhævede unormale resultater fra laboratoriet, så de hurtigt kunne håndteres af lægen.  

Indtil videre var der kun blevet udviklet prototyper af kunstig intelligens som "proof-of-concept". To prototyper var blevet udarbejdet baseret på et engelsk datasæt. Den første prototype visualiserede tekst fra patientjournalen ved at inddele den i tre kategorier: problemer, prøver og behandlinger. Den anden prototype bearbejdede ustrukturerede epikriser for at understøtte vurdering og prioritering af patientkonsultationer samt vurdering af laboratorieprøvesvar.  

Projektet undersøgte også, hvordan algoritmer kunne prioritere opgaver, så de patienter med størst behov blev tilset først. Algoritmerne optimerede lægens kalender og tilpassede sig geografiske forskelle, der påvirkede arbejdsbyrden i forskellige praksisser.  

Endelig blev algoritmernes potentiale til at understøtte diagnosticering og behandling testet. Ved at kombinere patientens data med tabelbaseret viden kunne algoritmerne foreslå behandlingsmuligheder, som styrkede beslutningsgrundlaget i almen praksis.

Tre ansøgninger om videregivelse af data fra almen praksis blev indsendt til Region Nordjylland med henblik på at understøtte udviklingen af kunstig intelligens. Den første ansøgning søgte en bred tilladelse til dataadgang som grundlag for AI-udvikling, men denne blev afslået. De to øvrige ansøgninger modtog derimod godkendelse: én for udvikling af en algoritme til sortering og markering af blodprøvesvar og en anden til at opsummere patientjournaler i et diagnosekort. Med disse godkendelser blev en betydelig mængde journaldata fra almen praksis videregivet til Aalborg Universitet, så algoritmerne kan trænes på relevante kliniske problemstillinger. Regionsrådet har givet tilladelse til videregivelsen af journaloplysninger efter sundhedslovens § 46, stk. 2, der tillader deling af patientjournaldata med forskere til brug i konkrete forskningsprojekter efter officiel godkendelse.

Projektet har ved sin afslutning formået at opbygge den nødvendige datainfrastruktur til sikker behandling af sundhedsdata til træning af kunstig intelligens og fortsætter efter afslutning som et forskningsprojekt.

Projektet har udviklet en omfattende datainfrastruktur, som både overholder lovgivningen og sikrer de nødvendige tilladelser til behandling af følsomme patientdata. Efter opbygningen af en sikker datainfrastruktur og godkendelsen til datadeling, blev en risikovurdering gennemført, hvilket førte til anbefaling af en konsekvensanalyse på grund af den følsomme data. Analysen vurderede de datasikkerhedsmæssige og juridiske risici i forhold til databeskyttelse og konkluderede, at der er lav risiko for de registreredes rettigheder.

Projektet har resulteret i en model for sikre servere til behandling af følsomme persondata, med adgangsbegrænsninger, logning af adgang, brugeradministration og procedurer for dataindførsel og -eksport. Denne model, inspireret af Danmarks Statistik, sikrer, at legitime brugere kan tilgå data uden risiko for uautoriseret adgang.

Centrale initiativer omfatter følgende:

- Juridisk Godkendelse: Overførsel af patientjournaler fra almen praksis til Aalborg Universitet er godkendt for udvikling af algoritmer, der kan styrke almen praksis. En databehandleraftale mellem Aalborg Universitet og PLSP sikrer sikker datadeling.

- Dataplatform og Pseudonymisering: En dataplatform med pseudonymisering ved modtagelse af patientdata sikrer, at data opbevares sikkert.

- Dataoverførsel: Aalborg Universitet er via en databehandleraftale med MedCom tilsluttet Sundhedsdatanettet, hvilket sikrer lovlig dataoverførsel til forskningsbrug.

- Dataindsamling: Patientdata fra almen praksis opbevares på servere hos Aalborg Universitets forskningsstøtteenhed CLAAUDIA, efter samme principper som Danmarks Statistik.

- GDPR-compliance: GDPR-overholdelse sikres gennem etablerede databehandleraftaler, som strukturerer hele datainfrastrukturen.

- Federated Learning: Projektet anvender federated learning til decentral træning af algoritmer i lokale klinikker. Denne tilgang muliggør behandling af data uden overførsel af følsomme oplysninger til en central server, hvilket forenkler overholdelsen af persondataregler. 

I projektbeskrivelsen blev der oprettet en arbejdspakke (arbejdspakke 6) med fokus på at udvikle proof-of-concept prototyper af algoritmer til kunstig intelligens, snarere end operationelle løsninger til almen praksis. På grund af forsinkelser i adgangen til danske journaloplysninger blev prototyperne baseret på et engelsk datasæt. Der blev udviklet to prototyper: én til visualisering af patientjournaler opdelt i kategorierne problemer, prøver og behandlinger, og én til behandling af ustrukturerede epikriser for at understøtte vurdering og prioritering af patientkonsultationer samt laboratorieprøvesvar. Disse prototyper adresserer tidskrævende opgaver og viser potentiale for betydelige ressourcebesparelser. En ny arbejdspakke (arbejdspakke 7) blev tilføjet for at undersøge brugen af 'privacy preserving' teknologier som decentraliseret maskinlæring (federated learning). Syntetisk data blev dog opgivet som en mulighed, da forskningen er begrænset. Prototyperne er designet til at kunne trænes i et ‘federated learning setup’, hvilket muliggør en privatlivsbevarende og skalerbar implementering af kunstig intelligens.  

En systematisk litteraturgennemgang (arbejdspakke 2) afslørede, at forskningen i kunstig intelligens i almen praksis primært stammer fra teknologiske og ingeniørmæssige miljøer, mens praktiserende læger efterspørger løsninger til administrative opgaver. Dette indikerer en kløft mellem udviklede løsninger og lægernes behov, hvilket understreger vigtigheden af, at udviklingen skal komme fra de praktiserende læger selv. En væsentlig udfordring har været manglende adgang til data. En ansøgning om videregivelse af op til 200.000 patientjournaler blev afvist, men efterfølgende blev to nye forskningsprojekter godkendt med henholdsvis 4.000 og 20.000 journaler. Projektgruppen påpeger behovet for nationalt arbejde for at justere politiske visioner og lovgivning, så udviklingen inden for kunstig intelligens kan fremmes i det danske sundhedsvæsen. 

Signaturprojektet “Kunstig Intelligens i Almen Praksis” havde til formål at undersøge, hvordan kunstig intelligens kan reducere arbejdsbyrden og øge behandlingskvaliteten i almen praksis ved at udnytte data mere effektivt. Hovedmålet var at etablere en sikker juridisk og teknisk infrastruktur til udvikling af AI-algoritmer, som kan støtte lægernes daglige arbejde. Workshops med alment praktiserende læger afdækkede et stort tidsforbrug på rutineopgaver og administrative opgaver, som ikke er direkte relateret til patientbehandling. Eksempler på disse opgaver inkluderer håndtering af laboratoriesvar, opfølgning på kontroltider og overblik over patientens sygdomshistorie. 

Brugen af kunstig intelligens i praksis vil kunne effektivisere disse rutineopgaver og dermed frigøre tid for lægerne til at fokusere mere på deres kerneopgaver – den direkte patientbehandling. Ved at tage hånd om tidskrævende og ressourcekrævende opgaver kan AI understøtte en højere kvalitet i sundhedssektoren, hvilket gavner både læger og patienter. 

Sideløbende med projektet i Region Nordjylland, løb der et lignende projekt i Region Syddanmark. Ligesom i Region Nordjylland har forskerne i Region Syddanmark undersøgt, hvordan kunstig intelligens kan bruges i forbindelse med automatiserede processer, automatiseret håndtering af prøvesvar, prioritering af arbejdsopgaverne, samt understøttelse af diagnosticering og behandling. Herudover har projektet i Region Syddanmark beskæftiget sig med analyser af blodprøver med henblik på at undgå overmedicinering.