Kunstig intelligens kan forudsige tvangsindlæggelser og bane vej for forebyggelse

Kan kunstig intelligens være med til at forbedre behandling af psykisk sygdom?

Et netop publiceret studie fra Aarhus Universitet og Psykiatrien i Region Midtjylland tyder på, at svaret er ja.

Her har en forskningsgruppe nemlig udviklet en maskinlæringsalgoritme, der, via analyse af data fra patientjournaler, har ”lært” at identificere patienter, der er i særlig høj risiko for tvangsindlæggelse.

”Det er et stort skridt mod mere målrettet behandling i Psykiatrien. Vi tror, at denne teknologi kan gøre os bedre til at hjælpe patienter, inden de bliver så syge, at en tvangsindlæggelse bliver nødvendig,” siger professor Søren Dinesen Østergaard fra Institut for Klinisk Medicin ved Aarhus Universitet og Psykiatrien i Region Midtjylland, der har bidraget til studiet.

Supplement til klinisk vurdering

Maskinlæringsalgoritmen kan, på tidspunktet for udskrivelse fra en frivillig indlæggelse, identificere patienter, der er i høj risiko for tvangsindlæggelse de efterfølgende seks måneder.

For hver 100 patienter, algoritmen vurderer som værende i høj risiko, vil der være ca. 36, der bliver tvangsindlagt inden for de kommende 6 måneder, mens det for hver 100 patienter, algoritmen vurderer som værende i lav risiko, vil være ca. 97, der ikke bliver tvangsindlagt.

”Maskinlæringsalgoritmen er ikke perfekt, men præcis nok til, at vi bør overveje, hvorvidt den kan bruges som beslutningsstøtte i Psykiatrien. Her er det vigtigt at understrege, at algoritmen ikke vil kunne erstatte kliniske vurderinger, men fungere som et supplement, der gør det muligt at træffe beslutninger på et mere informeret grundlag,” siger Søren Dinesen Østergaard og fortsætter:

”Hvis algoritmen ved udskrivelse vurderer, at en patient er i høj risiko for at blive tvangsindlagt, kunne man f.eks. sikre ekstra tæt ambulant opfølgning, så eventuel forværring af sygdommen bliver opdaget og behandlet tidligt.”

Læring af erfaringer fra mange tusinde patientforløb

Studiet er baseret på journaldata fra 50.634 frivillige indlæggelser i Region Midtjylland i perioden fra 2013 til 2021.

Maskinlæringsalgoritmen analyserede sammenhængen mellem godt 1800 faktorer fra journalen – herunder diagnoser, medicin, tidligere tvangsforanstaltninger og notater fra journalerne – og senere tvangsindlæggelse.

”Man kan sige, at maskinlæringsalgoritmen har lært af erfaringerne fra mange tusinde tidligere patientforløb – for at komme fremtidens patienter til gode,” siger Søren Dinesen Østergaard.

Tidlig opsporing af fysiske sygdomme

Forudsigelse af tvangsindlæggelser er blot et eksempel på, hvor denne teknologi kan bruges. Forskningsgruppens resultater peger nemlig på, at maskinlæring også kan anvendes til at forudsige udviklingen af hjertekarsygdom og type 2-diabetes blandt patienter i Psykiatrien.

 ”Den gennemsnitlige levealder for folk med svær psykisk sygdom er markant kortere end for den øvrige befolkning, og netop hjertekarsygdom og type 2-diabetes bidrager væsentligt til denne overdødelighed,” siger Søren Dinesen Østergaard.

”Ifølge resultaterne fra vores forskning kan maskinlæring formentlig give os mulighed for at opdage og behandle disse sygdomme tidligere. Måske kan vi tilmed nå at forhindre, at de opstår.”

Maskinlæring kræver store mængder data 

Maskinlæring er betinget af store datamængder for at sikre, at de udviklede algoritmer bliver tilstrækkeligt nøjagtige.

I et nystartet projekt, hvor forskningsgruppen undersøger, om maskinlæring kan forudsige hjertekarsygdom og type 2-diabetes blandt hospitalspatienter – uagtet hvilken afdeling de har været i kontakt med – analyseres journaldata fra ca. 1,4 millioner voksne patienter fra hospitalerne i Region Midtjylland.

”At arbejde med så store mængder journaldata fra patienter er forbundet med et stort ansvar, som vi tager meget alvorligt," siger Søren Dinesen Østergaard, der understreger forskningsområdets store potentiale:

”Der ligger en enorm uudnyttet viden dybt i de sundhedsdata, vi som samfund har genereret over årtier. Nu findes der ny teknologi, som kan hjælpe med at løfte den viden op til overfladen, hvor den vil komme danskerne til gode.”

Bag om forskningsresultatet

Studietype: Kohortestudie med brug af maskinlæring. Studiet er baseret på patientjournaldata, som forskerne har fået videregivet ifølge en godkendelse efter en bestemmelse i Sundhedsloven, der vedrører videregivelse af oplysninger uden patientsamtykke til et konkret forskningsprojekt af væsentlig samfundsmæssig interesse. Region Midtjylland har godkendt videregivelsen af oplysningerne, idet det ikke vil være praktisk muligt at indhente patientsamtykke fra så stor en patientgruppe.

Ekstern finansiering: Digitaliseringsstyrelsens Investeringsfond til afprøvning af nye teknologier og Lundbeckfonden

Interessekonflikt:  Fremgår af afsnittet “Competing interests” i den videnskabelige artikel (link nedenfor)

Læs mere i den videnskabelige artikel (open access): https://doi.org/10.1017/S0033291724002642