Kan vi finne diabetespasienter som det vil gå dårlig med?

Innlegg: Magnus Alvestad, spesialrådgiver ved Haukeland universitetssykehus
Andreas Hammerbeck, master i datateknologi fra Høgskolen på Vestlandet
Rogardt Heldal, professor i datateknologi ved Høgskolen på Vestlandet

FOR ET PAR år siden uttrykte en av øyespesialistene ved Haukeland universitetssykehus sin frustrasjon over at de pasientene med diabetes som best klarte å holde et stabilt blodsukker-nivå, også møtte opp til alle kontrollene sine på øyeavdelingen, mens de som hadde ustabilt blodsukker, i mindre grad møtte opp.

Noen av dem utviklet alvorlige synsproblemer som ble oppdaget sent, som krevde store inngrep og reduserte funksjonsnivået til pasientene.

FORVERRING. Haukeland startet da et kvalitetsforbedringsarbeid for å forsøke å se om denne typen pasienthistorie også ble sett i andre avdelinger, og fikk i stor grad bekreftet dette. Da sykehuset begynte å se på pasientdata, så det ut som om forverringen ofte skjedde i perioder med lite kontakt med sykehuset. Deretter dukket konsekvensene av flere år med dårlig regulert blodsukker gjerne opp i flere organer samtidig, med synsproblemer, kroniske sår, hjerteproblematikk, og for de dårligste etter hvert amputasjoner eller tidlig død.

Felles for disse pasientene var at når man i ettertid leste journalen, virket det opplagt at det var denne veien det gikk, og at man burde ha forsøkt å avverge forverringen på et tidligere tidspunkt, gjerne i samarbeid med fastlege.

MASKINLÆRING. Disse pasientene hadde behov for en annen type oppfølging enn sykehuset er i stand til å gi i dag. Våren 2018 begynte vi derfor et samarbeid mellom Haukeland og Høgskolen på Vestlandet. Vi etablerte et masterprosjekt i datateknologi, hvor vi ønsket å benytte maskinlæring til å identifisere diabetespasienter med forhøyet risiko for forverring. Vi ønsket å se om data som allerede blir samlet inn, ga nok informasjon til å se hvilke pasienter som var på vei mot alvorlige komplikasjoner.

Maskinlæring er en gren av kunstig intelligens; en vitenskapelig disiplin opptatt av design og utvikling av algoritmer som gjør datamaskiner i stand å lære fra – og utvikle – atferd som er basert på empiriske data.

PROSESSEN. Studieprotokollen vår ble godkjent av etisk komité høsten 2019. Vi benyttet avidentifiserte data om alle diabetes-pasienter på Haukeland de siste fem årene, til sammen over 20.000 pasienter. Disse dataene er hovedsakelig av en administrativ karakter, med kjønn og alder, dato for konsultasjoner, diagnoser og prosedyrer.

Basert på litteratur om komplikasjoner ved ukontrollert diabetes, identifiserte vi noen uønskede utfall – laserbehandling av netthinnen, forskjellige amputasjoner, og tidlig død. På dette datasettet trente vi opp en maskinlæringsmodell som i større og større grad ble i stand til å identifisere pasienter som var på vei mot disse uønskede utfallene.

FOREBYGGING. Modellen er ikke laget for å settes i drift i sykehuset, men det ser ut som dataene er tilstrekkelige til å identifisere pasienter med forhøyet risiko. Hvis vi tenker oss at vi har en gruppe med 3800 diabetes-pasienter, hvor 3600 ikke kommer til å få alvorlige utfall de neste fire ukene, og 200 får alvorlige utfall, vil modellen identifisere litt over 800 pasienter, hvorav 100 er i gruppen med alvorlige utfall. Sykehuset kan da kontakte disse pasientene og tilby oppfølging slik at forebygging blir mulig.

Fremgangsmåten kan også benyttes for andre sykdommer, spesielt andre kroniske sykdommer hvor forverring ofte skjer mens pasienten ikke er i kontakt med sykehuset. Vi håper at dette er begynnelsen på et arbeid som gjør at disse pasientene får bedre hjelp på norske sykehus.

Ingen oppgitte interessekonflikter

Dagens Medisin 14/2020, fra Kronikk og debattseksjonen