Forskningsprojekt Vi använder statistik, maskininlärning och optimering för att omvandla stora historiska larmdata till en effektivare och mer rättvis ambulanssjukvårdsjukvård.
En åldrande befolkning, urbanisering och medicinska framsteg kräver en flexibel ambulanssjukvård så att resurserna kan nyttjas hållbart, effektivt och rättvist. Vår vision är att använda statistik och maskininlärning för att omvandla sjukvårdens data till en effektivare och mer rättvis sjukvård. I projektet utvecklar vi datadrivna verktyg för att visualisera, simulera, analysera och optimera ambulanssjukvården. Målet är att skapa förutsättningar för ett systematiskt kvalitetsarbete, där beslut baseras på objektiva och transparenta beslutsunderlag.
Vi har genom samarbeten med flera regioner tillgång till unika larmdata och expertis inom ambulanssjukvården. Ett av våra mål är att beskriva ambulanssjukvården och förändringar i ambulanssjukvården. Arbetet innefattar att utveckla verktyg för att enkelt och informativt visualisera stora och komplexa larmdata, till exempel genom att studera olika nivåer av geografisk upplösning, från regional nivå ner till stadsdelsnivå, studera larmförekomst över tid och rum, studera olika processtider, samt att studera olika patientgrupper. Verktygen tillsammans med statistiska metoder använder vi för att till exempel studera hur responstiderna skiljer sig mellan män och kvinnor.
BildJörgen Lundälv
Ambulansverksamheten består av en serie processer. SOS-Alarm besvarar inkommande samtal, larmet dirigeras sedan till lämplig ambulans, ambulansen åker till hämtplatsen, patienten behandlas på hämtplatsen, och slutligen så körs och lämnas patienten på ett sjukhus. Vi använder statistik och maskininlärning för att modellera larmintensiteten, processtiderna och dirigeringen. Resultatet av modelleringarna är en digital tvilling av verkligheten, som kan användas för att studera konsekvenserna av olika verksamhetsförändringar, till exempel att vi ändrar i resursernas schemaläggning eller flyttar ambulansstationer.
Den digitala tvillingen genererar simulerade data som har samma struktur som historiska data, vilket gör det möjligt att beräkna olika nyckelmått som beskriver ambulanssjukvården. Till exempel medianresponstider, ekonomiska parametrar, och mått som beskriver hur responstiderna varierar mellan olika patientgrupper. Ett problem är hur olika nyckelmått ska vägas samman i beslutsfattandet. Hur väljer vi mellan två alternativ där det första ger kortare responstider, men också större regionala skillnader och genusskillnader? Målet här är att identifiera en sammanvägd målfunktion som kan skattas via historiska och simulerade larmdata.
Kombinationen av en digital tvilling, som kan simulera konsekvenserna av olika verksamhetsförändringar, och en skattningsbar målfunktion skapar förutsättningar för att optimera ambulanssjukvården. En verksamhetsallokering bestäms av hur resurserna är schemalagda, var resurserna är placerade, hur dirigeringen genomförs, och olika processdirektiv. En allokering kan därför betraktas som en verksamhetslösning i ett högdimensionellt rum. Vi har ett utmanande optimeringsproblem där vi för varje allokering kan simulera data och skatta målfunktionen. Vi utvecklar metoder som via robust optimering kan användas för att identifiera en optimal lösning.
