AI visar potential att förutse inställda strålbehandlingar
Varje år genomförs omkring 5 000 strålbehandlingsserier på Skånes universitetssjukhus. Men av de bokningar av behandlingsstarter som finns en vecka i förväg ställs ungefär 8 procent in med kort varsel.
– Det skapar stora utmaningar i planeringen och påverkar möjligheten att utnyttja maskinerna effektivt, säger Per Munck af Rosenschöld, områdeschef inom strålbehandling på Skånes universitetssjukhus.
Nu har en AI-modell testats i klinisk miljö för att se om det går att förutse vilka besök som riskerar att ställas in, det vill säga av- eller ombokas, med kort varsel.
– Om vi vet i förväg vilka besök som riskerar att ställas in kan vi agera tidigare. Det kan i förlängningen både minska väntetider och göra att vi använder våra resurser bättre, säger Anna-Maria Lind, enhetschef inom strålbehandlingen.
AI-modell tog fram risker
I en studie, baserad på medicinska data från 25 000 personer, utvecklades en AI-modell som kategoriserade risken för inställda besök i tre nivåer: hög, medelhög och låg risk. Modellen testades i liten skala på strålbehandlingen, där sjuksköterskor ringde upp patienter i grupperna med hög och medelhög risk inför deras första behandlingstillfälle. Under ungefär en månad genomfördes totalt 105 sådana samtal.
De patienter som kontaktades uttryckte uppskattning för samtalen. Testet genomfördes främst för att undersöka om arbetssättet var praktiskt genomförbart. Under den aktuella perioden sågs ännu ingen tydlig minskning av sent inställda besök eller någon trend mot tidigare avbokningar i den grupp som kontaktades.
AI visade skillnader
Däremot visar AI-modellen tydliga skillnader mellan risknivåerna: sena av- och ombokningar var betydligt ovanligare i lågriskgruppen än i grupperna med medelhög och hög risk.
Studien har också tydliggjort behovet av strukturerade rutiner, exempelvis hur av- eller ombokningar ska hanteras i samband med patientkontakter. En konkret förbättringsåtgärd som lyfts är att börja med SMS-påminnelser, något som redan används i andra delar av vården.
– Den viktigaste lärdomen för oss som data scientists var vikten av att bygga AI-modellen efter hur den ska användas i slutändan. Dialogen med den kliniska verksamheten var avgörande, säger Kerstin Johnsson, senior data scientist på förvaltningen Digitalisering IT och MT.
En del av den dagliga vården
Nästa steg är att undersöka hur AI-modellen kan bli en del av den dagliga vården, för att mer träffsäkert kunna förutsäga hur många besök som riskerar att ställas in en viss dag. Det skulle kunna ge bättre planeringsunderlag och skapa förutsättningar för mer genomtänkta bokningar.
– Med hjälp av en algoritm som förutsäger vilka besök som riskerar att avbokas kan vi rikta insatserna där de behövs mest. Det gör att vi kan använda kapaciteten mer effektivt, minska väntetider och öka tillgängligheten för alla patienter, säger Stefan Jovinge, FoUUI-chef (forskning, utveckling, utbildning och innovation) på Skånes universitetssjukhus.
Projektet är också det första skarpa testet av en egenutvecklad AI-modell från Digitalisering IT MT i Region Skåne i klinisk verksamhet. Projektet har visat hur ett nära samarbete mellan kliniken och AI-utvecklare kan stärka utvecklingen och skapa en bra grund för nästa steg.
– Det här visar att AI kan bli ett konkret stöd i vardagen. Inte som en ersättning för personal, utan som ett verktyg för att använda vårdens resurser smartare, säger Stefan Jovinge.