Bild: Elin Berge
Forskningsprojekt Övervikt är förenad med hög dödlighet och ökad risk för cancer, diabetes och hjärt- kärlsjukdom. Viktnedgång förbättrar säkert den fysiska hälsan men inte nödvändigtvis den psykiska hälsan. Det är därför viktigt med mer kunskap om hur olika hälsodomäner påverkas av kirurgi.
Kirurgisk behandling av övervikt är den överlägset mest effektiva metoden för viktminskning. I Sverige har kirurgisk behandling ökat de senaste 10 åren. Gastric bypass är den dominerande metoden, men under senare år har sleeve gastrectomy (SG) ökat i omfattning. Vi vill i denna studie pröva låta datorer utveckla algoritmer (machine learning) som kan användas för att förutsäga effekter av kirurgi.
Yang Cao, Docent, Örebro universitet
Erik Stenberg, Doktor, Region Örebro Län
I Sverige har kirurgisk behandling ökat de senaste 10 åren och gastric bypass är den dominerande metoden (90 procent 2012, 64 procent 2016). De senaste åren har dock sleeve gastrectomy (SG) ökat i omfattning (17 procent 2012 och 34 procent 2016).
Kunskaperna om hälsoutfall och kostnader för kirurgi med någon av de nämnda metoderna (SG vs GBP) eller andra icke-kirurgiska metoder är dock begränsade. De flesta studierna är från kliniska försök, och både antal patienter och uppföljningstid är begränsade till regel mindre än två år.
Vi har i Sverige unika möjligheter att länka register, och vi planerar att kombinera data från Skandinaviska överviktsregistret, läkemedelsregistret, longitudinell integrationsdatabas för sjukförsäkrings och arbetsmarknadsstudier, sjukpenning och rehabiliteringspenning databasen och Västerbottens hälsoundersökningar. Det blir därmed möjligt att följa upp resultat från olika behandlingsmetoder under 10 år.
Viktnedgång förbättrar säkert den fysiska hälsan, men nödvändigtvis inte den psykiska hälsan. Det är därför viktigt med mer kunskap om hur olika hälso-domäner påverkas av kirurgi.
Pålitliga förutsägelser om kirurgins hälsoeffekter skulle ha stort värde,
såväl i kliniska avgöranden som budget och policybeslut. De nuvarande
modellerna för förutsägelser är inte pålitliga pga. av de små och selekterade patientmaterialen. De stora och rika svenska registren gör det möjligt att utveckla en ny metod för förutsägelser som grundas på data från rutinsjukvård istället för data från forskning.
Hittills har modellerna för förutsägelser tagits fram med hjälp av regressionsmetoder. Ett alternativ som vi vill pröva är att låta datorer utveckla algoritmer (machine learning) som kan användas för att förutsäga effekter av kirurgi.
