AI-modell hittar hjärtsviktspatienter i riskzonen
Tiden efter utskrivning är kritisk för många hjärtsviktspatienter, men det är ofta svårt att förutse vilka som riskerar att behöva vård igen. I projektet Heart Failure Readmission Prediction (HaRP) har forskarna tagit fram en AI-modell som ska hjälpa vårdpersonal att fånga upp riskpatienter i tid.
”Ett verktyg som ger en tydlig riskbedömning och visar vilka faktorer som väger tungt kan minska osäkerheten och göra besluten mer jämlika mellan patienter.”
Lina Lundgren, docent i hälsoteknik
HaRP är en fortsättning på ett tidigare samarbete mellan Högskolan i Halmstad och Region Halland. I den första studien, som publicerades 2019, undersöktes om det gick att förutsäga återinläggningar hos hjärtsviktspatienter med hjälp av Regionens patientdata.
I det senare projektet, som pågick 2021–2024 och drevs inom forskningsprofilen CAISR Health, ville forskarna ta ett steg till. Målet var att vidareutveckla maskininlärningsmodellen till ett mer användbart verktyg – ett som inte bara räknar ut risk, utan också förklarar vilka faktorer som ligger till grund för utfallet.
– Vi visste att modellen hade potential att prediktera – förutsäga – återinläggningar, men inte hur den bäst skulle stödja vården. Det var viktigt att skapa något som både är träffsäkert och begripligt, så att personalen faktiskt kan använda det i sin vardag, säger Lina Lundgren, docent i hälsoteknik vid Högskolan i Halmstad och projektledare för HaRP.
Modellen bygger på data från ungefär 6 000 hjärtsviktspatienter. Genom att väga samman patientens historik, provresultat och tidigare vårdkontakter beräknar den sannolikheten för att patienten behöver komma tillbaka inom 30 dagar och kategoriserar utfallet till hög eller låg risk för återinskrivning.
Intervjuer gav insikt i vårdens behov
Lina Lundgren.
För att förstå hur ett beslutstöd som detta skulle kunna användas intervjuades vårdpersonal från flera delar av hjärtsviktsvården: sjuksköterskor, läkare, personal i hemsjukvården och fysioterapeuter. Samtalen visade tydligt att ett sådant verktyg kan ha stort kliniskt värde.
– Det som återkom i intervjuerna var behovet av mer stöd i att identifiera vilka patienter som verkligen behöver tätare uppföljning. Ett verktyg som ger en tydlig riskbedömning och visar vilka faktorer som väger tungt kan minska osäkerheten och göra besluten mer jämlika mellan patienter, säger Lina Lundgren.
De som deltog i intervjuerna betonade också att nyttan för patienterna alltid är det viktigaste. Med bättre stöd i bedömningen kan färre behöva åka in och ut på sjukhuset – samtidigt som resurser kan frigöras och den osäkerhet som ofta präglar utskrivningsbeslut kan minska.
Personalen såg framför sig att ett bra verktyg skulle kunna stärka prioriteringar vid utskrivning och hjälpa till att styra resurser dit där de gör mest nytta. Samtidigt betonade personalen att ett AI-stöd ska ses som ett komplement till den kliniska bedömningen.
Användartester visar på potential
Utifrån intervjuerna och egna observationer på vårdavdelningar utvecklade projektgruppen både den maskininlärningsmodell som används och det gränssnitt som vårdpersonal möter. I småskaliga användartester fick prototypen god respons. Den upplevdes som tydlig, lätt att förstå och generellt trovärdig.
– Det som uppskattades mest var riskfaktorerna och hur de presenterades. Detta gav ett konkret underlag för vad man kan behöva vara extra uppmärksam på – särskilt om något avviker från det vanliga, säger Lina Lundgren.
Testanvändarna efterfrågade samtidigt mer dynamik i systemet, till exempel möjligheten att klicka sig vidare och se fler detaljer kring hur risken byggs upp.
Även om HaRP inte har implementerats kliniskt har projektet gett värdefulla insikter för framtida utveckling av beslutstöd i hjärtsviktsvården. Resultaten visar att ett AI-baserat verktyg, om det formas i nära dialog med vårdpersonalen och utgår från de system och rutiner som redan finns, kan bli ett värdefullt stöd vid utskrivning och uppföljning.
– Det här är ett komplext område, men vi ser att det finns ett tydligt behov. Med rätt förutsättningar kan ett sådant verktyg göra verklig skillnad för både patienter och personal, säger Lina Lundgren.
Text: Lovisa Essunger
Bild: iStock, Magnus Karlsson
