Förutsägelse av vistelsetid på vårdavdelning efter anestesi med maskininlärning och identifiering av associerade riskfaktorer med hjälp av lokala förklaringsmodeller

Projektbeskrivning

Eftersom planerad kirurgi har ett krav på eftervård blir resurserna inom eftervården direkt styrande i genomflödet av patienter och en möjlig flaskhals om de inte utnyttjas fullständigt. Genom att prediktera operationstider och eftervårdsresurser med hjälp av maskininlärning kan nuvarande resurser fördelas på det mest optimala sättet och i sin tur öka genomflödet av patienter och effektivisera vårdköerna.

Den nuvarande belastningen inom svenska vårdsystemet är ett ständigt växande problem på grund av otillräckliga resurser. För att minska belastningen kan mer resurser tillsättas, om de finns tillgängliga, eller de nuvarande resurserna optimeras. Detta gäller för de flesta enheter och även för den postoperativa enheten på Norrlands universitetssjukhus.

Planerade kirurgi har ett krav på eftervård och större ingrepp hanteras i stort av den postoperativ enheten. Detta gör att avdelningens resurser blir direkt styrande i genomflödet av denna typ av patienter och en möjlig flaskhals i vårdkön om de inte utnyttjas optimalt.

I dagsläget genomförs planering av eftervård manuellt. Planeringen baseras på patientdata lokaliserad i flera datakällor som samlats in före den planerade kirurgin. Denna data innehåller specifik information om varje enskild patient och det är upp till personalen på enheten att tolka informationen och uppskatta hur mycket resurser varje patient förväntas kräva.

Eftersom behandlingstid kan vara beroende av flera samband i patientens historik kan tolkningen av data därför bli komplicerad och svårhanterad. Det förespråkas därför en maskininlärningsmodell för att hitta just de samband och mönster i underliggande data som bidrar till behandlingstider. Modellen kommer användas som beslutsstöd i planeringsstadiet av eftervård och de underliggande besluten måste därför vara förklarbara i sådan utsträckning att samtliga beslutsfattare oberoende av varandra kan komma till samma tolkning.

Målet är därför att skapa ett prediktivt beslutsstöd med hjälp av en maskininlärningsmodell samt använda sig av Local Explanation Methods (LEM’s) för att skapa förklarbara beslut i form av individuella riskfaktorer för varje tänkt patient. En betydande del i att ha förklarbara beslut inom just kliniska miljöer är att skapa acceptans och tilltro för maskindrivna metoder, och på så sätt integrera dessa inom fältet. Projektet bidrar på så sätt till teknisk utveckling inom ett tungt belastat fält genom resursoptimering och i slutändan ökad samhällsnytta i form av minskade vårdköer.