Prædiktion af forværring blandt KOL- og hjertesvigtpatienter

Projektet løb fra starten af 2020 til slutningen af 2023.   

Løsningerne er ikke blevet implementeret efterfølgende.   

Patienten måler ugentligt sit blodtryk, iltmætning og puls derhjemme. Disse informationer sendes via telemedicinsk udstyr til en sygeplejerske. En algoritme analyserer tallene fra målingerne og kan opdage tegn på mulige forværringer, som kan være vanskelige for sygeplejerskerne at opdage. På baggrund af algoritmens analyse kan sygeplejersken ringe til patienten og i samråd med en læge vurdere, om der skal igangsættes en tidlig behandling.

Algoritmen er udviklet på Aalborg Universitet og baseret på data fra et tidligere telemonitoreringsstudie fra 2012 på Lungemedicinsk Afdeling, Aalborg Universitetshospital. Studiet omfattede 108 patienter, der indgav målinger af iltmætning, puls og blodtryk. Dataene blev indsamlet med samtykke.

Algoritmen er testet i et produktionsmiljø og aktiveret på en afgrænset gruppe borgere, der modtager telemedicin. Kun borgere fra en kommune, der havde accepteret deltagelse i projektet, var omfattet, og deltagelsen var samtykkebaseret.

Der blev kun indsamlet vitale parametre som blodtryk og iltmætning, og algoritmen anvendte ikke data fra andre kilder. Data opbevares på produktionsservere med relevante sikkerhedsforanstaltninger som adgangskontrol, logning og backup.

Projektet har indhentet tilladelse fra Videnskabsetisk Komité, da afprøvningen indebærer kliniske interventioner.

Projektet har adresseret etiske overvejelser omkring ulig adgang til opsyn. Algoritmen alarmerer en sygeplejerske, som kan kontakte borgeren og opfordre denne til at kontakte egen læge. Der kan dog være forskel på, om borgerne reagerer på disse oplysninger. For at evaluere borgeroplevelsen blev der gennemført et randomiseret forsøg, hvor en gruppe afprøvede løsningen, mens en anden fortsatte som normalt.

En tillidsmæssig udfordring var, at sygeplejersker skulle acceptere kunstig intelligens som et supplement til deres erfaring, samtidig med at deres viden bidrog til algoritmens videreudvikling. Desuden skulle borgerne føle sig trygge ved teknologien. Denne udfordring blev håndteret gennem dialog om algoritmens sensitivitet og alarmeringstærskler.

En anden udfordring var arbejdsgangene. Sygeplejerskerne monitorerer borgerne på faste dage, hvilket betyder, at algoritmealarmer ikke altid kan behandles med det samme. Dette kan reducere alarmens effektivitet og kræver yderligere evaluering før implementering.

Der registreres årligt omkring 25.000 KOL-relaterede indlæggelser i Danmark, primært på grund af sygdomsforværring, hvilket er forbundet med øget dødelighed og forringet prognose, lungefunktion og livskvalitet. Derudover er der årligt omkring 11.000 indlæggelser på grund af hjertesvigt. Hjertesvigt er en stor folkesundhedsmæssig udfordring med betydelige økonomiske omkostninger.

Projektets formål var at udvikle en løsning, hvor kunstig intelligens identificerer patienter, inden forværringer fører til indlæggelse, så tidlig behandling kan iværksættes. Projektet havde desuden et fokus på sårbare patienter for at mindske ulighed i sundhed. Samlet set var målet at reducere antallet af indlæggelser og forbedre patienternes livskvalitet og behandlingsforløb.

Projektet om prædiktion af forværringer hos patienter med KOL anvender data fra borgerne, som indsamles i borgerens eget hjem, til at forudsige forværringer af patientens tilstand. Projektet WARD-HOME anvender på samme måde en algoritme til at analysere vitale parametre hos borgeren, såsom blodtryk, puls og iltmætning. Algoritmen vil herefter alarmere personalet, hvis der sker en forværring af patientens tilstand.