Fremtiden kan som bekendt være svær at spå om, men måske får personalet på landets hospitaler fremover lidt lettere ved netop den disciplin.  

I et pilotprojekt skal Regionshospitalet Randers afprøve et nyt, innovativt planlægningsværktøj, som via avanceret machine learning kan spå om fremtidige indlæggelser med stor sikkerhed. Pilotprojektet er en del af det Nationale Big Data forskningsprojekt DABAI (Dansk center for Big data Analysedrevet Innovation), og løsningen, der har fået navnet Columna Patientflow, udvikles af Århus-baserede Systematic i samarbejde med Region Midt.

Løsningen fungerer ved, at man fodrer en computer med store mængder historiske data for flere års indlæggelser på afdelingerne. Herefter finder computeren systematik og afvigelser i materialet, og sammen med aktuelle data fra afdelingerne danner dette baggrund for prognoser om fremtidige indlæggelsers varighed og forløb. Indtil nu har personalet på Regionshospitalet Randers tilrettelagt patientforløb ud fra forventninger og erfaring, men det er ikke altid nok til at undgå overbelægning, uhensigtsmæssige overflytninger og genindlæggelser.

Digital krystalkugle hjælper læger med kritisk beslutningstagen

Systematics løsning kan også udpege de patienter, som med sandsynlighed vil blive genindlagt eller opleve komplikationer under deres indlæggelse. På den måde understøtter Columna Patientflow de vigtige beslutninger, som læger og sygeplejersker skal træffe, når behandlingsforløbet for en risikopatient skal tilrettelægges.

En af dem, som ser frem til at prøve løsningen, er Bjarke Johannesen Bruun, overlæge og speciallæge ved Intern Medicin på Regionshospitalet Randers.

- Det vil være en stor hjælp, hvis systemet kan gøre os opmærksom på patienter, som risikerer komplikationer og genindlæggelse, for så kan vi planlægge behandlingen derefter og sørge for at patienten får den rette støtte i hjemmet efterfølgende. Løsningen kan på ingen måde erstatte lægefaglige vurderinger, men det vil være et godt værktøj til at understøtte vores arbejde og måske synliggøre uhensigtsmæssige patientforløb, siger han.

Bjarke Johannesen Bruun fremhæver også muligheden for at opnå en bedre dialog med patienterne som en åbenlys fordel ved løsningen.

- Nogle gange vil en patient utroligt gerne hurtigt hjem, og det er ikke altid nemt at holde på folk, hvis de mener sig friske nok til at blive udskrevet. Men hvis både prognosen og vores faglige vurdering peger på øget risiko for genindlæggelse, så er der basis for en mere velunderbygget dialog med patienten om dette, siger han.

Gode erfaringer fra Region Nord

Regionshospitalet Randers er det første sted i Danmark, hvor en så avanceret løsning tages i brug. I øjeblikket høstes gode erfaringer fra en anden model på seks sygehuse i Region Nordjylland. Her modtager 56 hospitalsafsnit dagligt machine learning-baserede prognoser for belægningen i den kommende uge sammen med et overblik over det aktuelle antal af ledige sengepladser på afdelingerne i realtid. Denne gennemsigtighed giver bedre muligheder for at tilrettelægge et sikkert og effektivt patientforløb, samtidig med at ventetid og overflytninger mindskes.

Patientflowsprojektet i Randers benytter samme model, men har yderligere indbygget prognoser baseret på historiske data om patienternes forløb, hvilket gør det muligt at forudsige længden af patientforløb og risikoen for genindlæggelser. I første omgang igangsættes projektet på Randers Hospital, herefter er planen at udbrede løsningen til regionens øvrige hospitaler.

Det forventes, at personalet i Randers kan tage systemet i brug i løbet af efteråret, hvor det skal testes frem til februar. 

- Det er et videnskabeligt projekt, som vi afprøver i den virkelige verden, og hvis resultaterne er positive, så er det enkelt at overføre direkte til andre hospitaler, siger Anders Goul Nielsen, Group Senior Vice President for Healthcare i Systematic.