Denne artikkelen er produsert og finansiert av Nasjonalt senter for e-helseforskning - les mer.

Data-analyser av elektroniske pasientjournaler kan føre til at nye pasienter får bedre behandling. Algoritmer kan sortere sykdom og helsetilstand på en mer effektiv måte.
Data-analyser av elektroniske pasientjournaler kan føre til at nye pasienter får bedre behandling. Algoritmer kan sortere sykdom og helsetilstand på en mer effektiv måte.

Grundigere analyser av helsedata kan gi pasienter bedre behandling

Algoritmer som beregner helsetilstander kan bli en ny og bedre metode for å skreddersy behandling.

Mesteparten av data om pasienten er ustrukturert. Det gjelder både legenotater, radiologi- og patologirapporter, epikriser og medisinske bilder som leger og annet helsepersonell lagrer i vår journal.

– Vi regner med at 80 prosent av pasientdata er ustrukturert. Dette gir oss noen utfordringer, sier Alexandra Makhlysheva.

Sammen med andre forskere ved Nasjonalt senter for e-helseforskning har hun skrevet en rapport om elektronisk fenotyping i pasientbehandling.

Fenotype er innen genetikken de egenskaper hos et individ man kan observere direkte, som for eksempel utseende, farge, størrelse, intelligens og helsetilstand. Ved hjelp av systematiske analyser kan altså forskerne finne bestemte egenskaper ved helsedata som i utgangspunktet er ustrukturert.

Elektroniske fenotypealgoritmer er dataprogrammer som analyserer pasientdata. Målet er å finne mønstre og karakteristikker for en tilstand hos pasienter eller forutsi risiko for tilstanden.

Automatisk analyse

Forskerne studerer data om pasienten i den elektroniske pasientjournalen og fra andre kilder. De samler alle typer ustrukturerte data for å få mest mulig informasjon om pasientene.

– Ved hjelp av statistiske analyser finner vi grupper med personer som deler egenskaper. Vi sorterer pasienter som likner medisinsk på hverandre. Målet er å avdekke hvordan en behandling virker eller forebygge sykdom, forklarer forskeren.

Pasienter med samme sykdom kan reagere forskjellig på en behandling. Det som virker bra for en kan virke dårlig for en annen. Målet er å tilpasse behandlingen best mulig.

For å klare dette trenger forskerne store sett med data. I analyser av tekst og språk, må forskerne ta i bruk dataprogrammer med kunstig intelligens. De vil vite mer om egenskaper som karakteriserer pasientens tilstand, på fagspråket kalt fenotype.

– Denne informasjonen kan vi for eksempel få fra labprøver, medisiner, notater i fritekst og genomiske data, sier prosjektleder Alexandra Makhlysheva.

Hva er best, for hvem?

Forskerne studerte eldre pasienter som hadde flere kroniske sykdommer. Noen ble henvist til et pasientsentrert helsetjenesteteam, i et prosjekt ledet av professor Gro Berntesen ved Nasjonalt senter for e-helseforskning.

Forskerne utviklet en algoritme, et dataprogram, som samlet inn og analyserte et stort datasett fra helsetjenesteteam, sykehus og kommunale helsetjenester.

En algoritme er en stegvis prosedyre, en oppskrift som forteller hvordan noe gjøres.

Denne algoritmen fant ut nytten pasientene hadde av behandlingen og risikofaktorer. Ut fra det fant forskerne kriteriene for henvisning av fremtidige personer.

– Vi regner med at 80 prosent av pasientdata er ustrukturert. Dette gir oss noen utfordringer, sier Alexandra Makhlysheva ved Nasjonalt senter for e-helseforskning.
– Vi regner med at 80 prosent av pasientdata er ustrukturert. Dette gir oss noen utfordringer, sier Alexandra Makhlysheva ved Nasjonalt senter for e-helseforskning.

Kan effektivisere prosesser

Funn fra slike elektroniske fenotype-algoritmer vil være nyttige for helsepersonell i primær- og spesialisthelsetjenesten, samt folkehelsetjenester på nasjonalt nivå.

Forskerne mener at gravingen etter data i pasientjournaler også kan bli brukt til administrative formål.

– På et sykehus kan man spare tid og penger og bedre arbeidsflyten. En algoritme kan analysere hvordan en pasient behandles og i hvilken rekkefølge ting gjøres. For eksempel vil en person med nyresvikt få et bestemt forløp. Med fenotyping kan alle prosedyrer og utfall analyseres. Vi kan også se hvor mange penger som brukes på hvert steg.

Skal maskinene først kontrollere oss, og så ta over styringen av behandlingen?

– Nei, maskinene kan bidra til å gi støtte til beslutninger. Det er klinikeren eller den administrativt ansatte som må bestemme hva de ønsker å gjøre - eller ikke gjøre, sier Makhlysheva.

Diagnosekoder

Hun peker på kodestøtte som et annet område der algoritmer kan hjelpe til.

Etter hver pasientkontakt registrerer legen diagnosekoder som beskriver behandlinger og prosedyrer.

– Disse kodene samles inn og brukes på et høyere nivå for å måle aktivitet på sykehusene, samt bestemmer sykehusenes refusjon fra staten, det vi kaller innsatsstyrt finansiering. Men, om lag 40 prosent av koding kan være feil, sier hun.

Feil koding gjør det vanskelig å dirigere ressursene i helsevesenet på en effektiv måte. Fenotype-algoritmen kan analysere pasientjournalen. Den kan komme med forslag til diagnosekoder som hjelper klinikeren med å velge riktig.

– En algoritme kan lese gjennom masse pasientjournaler og blir jo aldri sliten. Det vil forenkle arbeidet til kodekontrollører, sier hun.

I prosjektet ClinCode skal forskere ved Nasjonalt senter for e-helseforskning lage en algoritme for kodestøtte. Her skal de samarbeide med en pasientjournal-leverandør for å finne ut hvordan algoritmen kan bygges inn i journalen.

– Forskningen på feltet er i utvikling. Vi trenger tilgang til mer helsedata, hvor vi selvsagt må ivareta personvern, og må få lovverket på plass for å bruke fenotyping i klinisk praksis i Norge, sier hun.

Referanse:

Alexandra Makhlysheva m.fl.: Utforsking av elektronisk fenotyping for klinisk praksis. Rapport fra Nasjonalt senter for e-helseforskning, 2020.

Powered by Labrador CMS