AI til udeblivelser – et eksempel på anvendelse af AI

Denne case er stillet af Afdeling for Kvalitet og Uddannelse, Bispebjerg Hospital – Udfordringen om udeblivelser er fortsat aktuel dog er det konkrete projekt ikke åben for samarbejder pt. Men vi hører meget gerne fra dig, hvis du har interesse i samarbejde om hvordan AI kan skabe værdi i sundhedssektoren.

Udeblivelser i sundhedsvæsnet har flere gange været et fokusområde for både medier i Danmark og hospitalsindsatser. Det anslås, at der i Danmark er mellem 5-10 % udeblivelser fordelt på landets hospitaler.

VIVE har undersøgt indsatser og effekt i forbindelse med udeblivelser og fundet, at påmindelser og tæt patientkontakt kan nedbringe udeblivelsesraten.

Et projekt på Bispebjerg har fundet, at kunstig intelligens (AI) og data fra sundhedsplatformen kan bruges til at forudsige patientudeblivelser med 80 % nøjagtighed. Der er implementeret en rapport i Sundhedsplatformen, hvor udvalgte afdelinger nu kan få indblik i hvilke patienter der fremadrettet er i risiko for at udeblive.

Projektet er det første AI projekt med en implementering i Sundhedsplatformen og har derfor stor bevågenhed i regionen. Projektet er i sin nuværende form et pilot-projekt med afprøvning på 2 afdelinger på Bispebjerg (Kardiologisk og Ortopædkirurgisk)

I forbindelse med projektet opstår der flere implikationer for både organisation og implementering:

1) VÆRDISKABELSE: Der forefindes ikke nogen god viden om, hvordan man skaber værdi for hospitalsafdelingerne til at tage AI/rapport i brug, og Bispebjerg hospital har behov for at få nogle ressourcer til at undersøge dette med et nyt blik. Hvordan kan projektet komme nærmere de kliniske problematikker og understøtter personalet bedre i at arbejde med patientkontakt op til aftaler?

2) IT-ORGANISERING: Projektet har lidt under at skulle implementeres igennem SP. Der findes ingen metoder for, hvordan et samarbejde med data-innovation skal/bør organiseres og der har løbende været genforhandlet overordnet IT-metode hos regionerne, som projektet har skulle tilrette sig. Der findes ikke konkrete afsatte ressourcer til innovation hos CIMT og det har derfor været langsommeligt at vente på udviklerhold, få licenser til brugere og få adgang til SP for projektledelsen. Kan man kortlægge dette og lave nogle anbefalinger fremadrettet og evt. få synliggjort udfordringerne for ledelse i regionerne?

3) DATAKVALITET: Mange observationer af forrige udeblivelser mangler komplet data. Bl.a. mangler vi komplet data fra KRAM-faktorerne (kost, rygning, alkohol og motion) i struktureret form i SP. Hvordan skaber vi værdi for afdelingerne mod at lave bedre datakvalitet til AI projekter i Sundhedsplatformen?

4) AI-krop: I sin nuværende form viser AI’en primært en prædiktion for hver patient i risiko for udeblivelser i procent. Hvordan kan vi give AI’en en krop der giver mere mening for slutbrugerne?

Samarbejdet med jeres kursister

Ved kursets begyndelse stiller case-holder op til præsentation af casen for jeres kursister. Undervejs i jeres kursusforløb, vil de studerende kunne komme på feltarbejde, efter aftale med case-holder. Desuden er der mulighed for løbende kontakt mellem jeres kursister og case-holder, under arbejdet med casen.

Overlevering af de studerendes løsningforslag og formen heraf aftales med case-holder og CHIs innovationskonsulenter. Dette kan eksempelvis ske i form af analyser eller mundtlige præsentationer.

Partnere

Afdeling for Kvalitet og Uddannelse

Bispebjerg hospital

Kontakt

Nina Brocks

Innovationskonsulent

Copenhagen Health Innovation

m: 23326372

@:

Fakta

Udeblivelser i sundhedsvæsnet har flere gange været et fokusområde for både medier i Danmark og hospitalsindsatser. Det anslås, at der i Danmark er mellem 5-10 % udeblivelser fordelt på landets hospitaler.

Output

Overlevering af de studerendes løsningforslag og formen heraf aftales med case-holder og CHIs innovationskonsulenter. Dette kan eksempelvis ske i form af analyser eller mundtlige præsentationer.