Bruker kunstig intelligens til å belyse akuttbehandling

Hver dag står leger overfor vanskelige avgjørelser på akutten. For å hjelpe dem til å ta riktige medisinske avgjørelser har de et system, kalt triage:

– Triage-systemer er et prioriteringsverktøy som hjelper leger med å avgjøre når en pasient står overfor en reell medisinsk nødsituasjon og trenger behandling umiddelbart, eller når det sannsynligvis er trygt å utsette behandlingen. Likevel kan feil skje, og noen ganger får ikke pasientene den hjelpen de trenger, sier stipendiat Sage Wyatt ved Det medisinske fakultet, Universitetet i Bergen.

Det finnes ikke noe universelt triage-system, og det kan være vanskelig å evaluere hvor godt ulike systemer fungerer.

Nå har et team bestående av norske og tyske forskere fra akademia, industri og helsesektoren brukt maskinlæring for å belyse hvor godt triage-systemene fungerer i Bergen og Trondheim.

Samarbeidet oppsto under en "Datathon" ved Eitri medisinske inkubator i Bergen i 2022. Prosjektet ble ledet av doktor Christopher Sauer, en kreftlege fra Institute for AI in Medicine i Essen, Tyskland.

Prosjektet resulterte til slutt i en publikasjon i Journal of Medical Internet Research, med Wyatt som førsteforfatter.

Funnene overrasket

Dataforskerne i Wyatts team ønsket å finne ut hvilke typer pasienter som ble sviktet av prioriteringssystemet, altså pasienter som ble lavt prioritert, men senere døde eller ble overført til intensivavdeling ("undertriage").

De ønsket også å se på pasienter som fikk for høy prioritet i forhold til behovet ("overtriage").

Heldigvis viste det seg at mindre enn én prosent av pasientene ble feilkategoriserte.

Det sammensatte teamet med dataforskere med industriell bakgrunn brukte maskinlæringsmodeller for å vurdere betydningen av mange ulike pasientkarakteristikker samtidig. Det er en metode som ikke har vært brukt i denne sammenhengen tidligere.

Maskinlæringsmodellene rangerte viktigheten av variabler i datasettet ved hjelp av en måleenhet kjent som “SHAP-verdier”.

– SHAP er en måleenhet fra spillteori og er en måte å kvantifisere hvor mye en variabel bidrar til et tenkt utfall, forklarer Wyatt.

Da de brukte disse metodene på data fra akuttmottaket ble de overrasket:

– En tidligere studie i Bergen viste at overtriage var mest utbredt blant pasienter under 18 år. Det kan antyde at ung alder er en risikofaktor for overbehandling, sier Wyatt.

– Men den automatiserte variabelseleksjonen basert på SHAP-verdier i vår studie viste at alder nok ikke er den viktigste årsaken til overtriage eller overbehandling i Bergen, sier Wyatt.

Korrigerer antakelser

I de tidligere studiene har man basert seg på ekspertuttalelser fra leger som bruker systemet.

Wyatt mener at det kan være uheldig:   

– Selv om det er nyttig å høre fra folk som kjenner prioriteringssystemet godt, kan denne informasjonen være basert på holdninger og antakelser som ikke nødvendigvis har noe med verktøyet å gjøre, sier Wyatt, og fortsetter:

– I dag er det for eksempel mye fokus på likestilling, noe som er bra. Det kan imidlertid føre til at leger tenker at feilprioriteringer skyldes for eksempel fordommer, sien hun.

I den tidligere studien fant man for eksempel at i tillegg til alder, var pasientens kjønn en viktig faktor for feilprioriteringer.

– Med maskinlæringsmetodene vi brukte så vi derimot at for datasettet i Bergen var det andre faktorer som var viktigere for overbehandling, som henvisende klinisk avdeling og diagnosekoder, sier stipendiaten.

– KI kan gi nye perspektiver i vitenskapen

Sage Wyatt forsvarer verdien av å bruke maskinlæring til å analysere medisinske data:

– I denne sammenhengen gjorde maskinlæringsmetoder det mulig for oss å vurdere betydningen av mange komplekse faktorer som påvirker triage-klassifiseringen samtidig. Det ga oss mer nyanserte resultater enn de konvensjonelle metodene som var basert på ekspertuttalelser, sier hun.

Hun mener imidlertid at verktøyet må brukes med varsomhet:

– For å bruke verktøyet best må man tilpasse metoden til den spesifikke forskningskonteksten, sier hun, og understreker

– Det trengs mer forskning i fremtiden om triage-systemer og nye bruksområder for maskinlæringsmetoder, som automatiserte triage-klassifiseringssystemer.

Lenke til artikkel: https://www.jmir.org/2024/1/e56382/#ref21