Bruk av kunstig intelligens for å søke presist etter informasjon i pasientjournalen

Transkript

1 Bruk av kunstig intelligens for å søke presist etter informasjon i pasientjournalen Overlege/Dr.med. Tor Tveit Sykepleier/MSc IT/PhDstudent Geir Thore Berge Sørlandet Sykehus

2 Om forskningsprosjektet Samarbeid mellom Sørlandet sykehus og Universitetet i Agder: Geir Thore Berge, Department of Information Systems, University of Agder, Kristiansand, Norway & Department of ICT, Sørlandet Hospital Trust, Kristiansand, Norway Ole-Christoffer Granmo, Department of ICT, University of Agder, Grimstad, Norway Tor Oddbjørn Tveit, Department of ICT & Department of Anaesthesia and Intensive Care, Sørlandet Hospital Trust, Kristiansand, Norway Mottatt midler fra Norges forskningsråd Godkjent av Regional komite for medisinsk og helsefaglig forskningsetikk, Datatilsynet og NSD

3 Om forskningsprosjektet Utfordring i helsevesenet: stor mengde ustrukturert informasjon hindrer effektiv gjenfinning og gjenbruk av informasjon (kan kompromitere behandlingskvalitet og pasientsikkerhet)

4 Om forskningsprosjektet Tradisjonell «ekspertsystem» tilnærming for klinisk konseptbasert søk på norsk er vanskelig Forskningsprosjektet viser en mulig tilnærming til dette problemet ved bruk av maskinlæring

5 «Smal» kunstig intelligens Accuracy 20 Newsgroups datasett Accuracy klinisk datasett 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 Klassifisering av nyhetsartikler iht. emne Klassifisering av pasienter iht. allergi ja/nei Kunstig intelligens forstår f.eks. ikke konseptet tid

6 Hvordan gjør vi det når maskinlæring ikke strekker til? Der maskinlæringsalgoritmene ikke strekker supplerer vi med menneskeskapte regler Det beste av to verdener: automatisering og presisjon

7 Clinical Decision Support System SSHF Ref: Berge, G. T., Granmo, O.C., & Tveit, T.O. (2017). Combining Unsupervised, Supervised, and Rulebased Algorithms for Text Mining of Electronic Health Records: a Clinical Decision Support System for Identifying and Classifying Allergies of Concern for Anesthesia During Surgery. In: ISD 2017 Proceedings. Association for Information Systems.

8

9 Effektiv metode for trening av maskinlæringsalgoritmene Berge, G., Granmo, O., & Tveit, T. (2017). Combining Unsupervised, Supervised, and Rule-based Algorithms for Text Mining of Electronic Health Records - A Clinical Decision Support System for Identifying and Classifying Allergies of Concern for Anesthesia During Surgery. In Information Systems Development: Advances in Methods, Tools and Management (ISD2017 Proceedings). Larnaca, Cyprus: University of Central Lancashire Cyprus.

10 Ref: Berge, G. T., Granmo, O.C., & Tveit, T.O. (2017). Combining Unsupervised, Supervised, and Rule-based Algorithms for Text Mining of Electronic Health Records: a Clinical Decision Support System for Identifying and Classifying Allergies of Concern for Anesthesia During Surgery. In: ISD 2017 Proceedings. Association for Information Systems. Ref: Uzuner, Ö., South, B. R., Shen, S., & DuVall, S. L. (2011) i2b2/va challenge on concepts, assertions, and relations in clinical text. Journal of the American Medical Informatics Association, 18(5),

11 Results of the clinical field trial Berge G. T., Granmo O. C., Tveit T. O., Munkvold B. E., Ruthjersen A. L. (Unpublished). Evaluation of a Clinical Decision Support System for Clinical Concept-based Searching: Results from a Field Trial in a Norwegian Hospital Trust.

12 Kunstig intelligens har potensial for å forbedre helsevesenet Raskere behandling til bedre kvalitet med lavere kostnader gir bedre helse

13 Uløste utfordringer

14

15 Fra forskning til drift.. Forskningsprosjektet har vist at systemet kan forbedre pasientsikkerheten/kvalitet på behandling Konkret har systemet f.eks. avdekket en rekke ukjente medikamentallergier ifm. forberedelse til operasjon Såpass gode resultater at helsepersonell ikke ønsker at systemet skal stenges ned Hva gjør vi når forskningsprosjektet etter planen er avsluttet ? Slik lovverket er i dag, så må systemet stenges ned

16 Tilgang til helsedata for maskinlæringsalgoritmer lovhjemler og utfordringer Utgangspunktet er at man må ha lovhjemmel for innsyn i helsedata Utfordring: et lovverk fra fortiden. De samme lover gjelder for algoritmer som for mennesker* 1. Helseforskning Formål om å fremskaffe ny kunnskap om helse og sykdom (helseforskningsloven) Krever i utgangspunktet samtykke fra deg og meg om våre journaldata skal brukes av maskinlæringsalgoritmene (utfordrende da algoritmer krever mye data) Kan kun benyttes innenfor rammene av forskningsprosjekt! 2. Utøvelse og kvalitetssikring av helsehjelp Maskinlæringsalgoritmer kan lovlig kun få tilgang til å prosessere en (1) pasient sine data ifm. utøvelse av helsehjelp/behandlingsøyemed eller kvalitetssikring av helsehjelp (Helsepersonellovens 21, 26 og 29) En maskinlæringsmodell som kontinuerlig lærer ved å sammenstille mine og dine data vil ikke være lovlig å implementere/bruke Anonymiserte datamodeller kan lovlig brukes, men i praksis er 100% anonymisering ikke realistisk oppnåelig

17 Vår konklusjon: verken lovlig eller praktisk mulig å ta i bruk maskinlæringsmodeller i norsk helsevesen «Manuell» innhentelse av samtykke fra titusenvis av pasienter er ikke praktisk mulig Dersom Norge skal utnytte potensialet maskinlæring har for å forbedre helsevesenet/folkehelsen må lovverket oppdateres, eller det må presiseres i forskrift hvordan det er lovlig innenfor gjeldende lovverk GDPR endrer ikke dette, dvs. lovverket må oppdateres for at vi kan ta i bruk mulighetene ny teknologi gir helsevesenet

18 Forslag til presiseringer i Helsepersonelloven Maskinlæringsalgoritmer må få tilgang til å prosessere mine og dine helsedata dersom formålet er å utøve helsehjelp / kvalitetssikring av helsehjelp Datamodeller må kunne opprettes på samme måte som Helsepersonellovens 26/ 29 gir tilgang til å opprette kvalitetsregistre for evaluering av helsehjelpen som blir gitt Slike datamodeller vil være underlagt samme krav som andre sensitive data i helsevesenet (dvs. skal ikke deles med aktører utenfor helsevesenet, og vil kun benyttes ved utøvelse/kvalitetssikring av helsehjelp)

19 Tilgang til helsedata Må norske forskere til Kina for å få enkel tilgang til store mengder med helsedata (for å lage maskinlæringsmodeller som kan brukes av det norske helsevesenet)? Foreslått prosjekt SSHF/UiA/Qilu Hospital (QH) Shandong University China: AI for Breast Cancer Diagnosis via Biopsy Image Analysis Kina: Nesten fritt frem for å bruke kineseres sensitive helsedata, også utenfor Kina Norge: Svært utfordrende lovverk

20 Norge (og Sørlandet) har en unik mulighet Fødselsnummer: entydig identifikasjon av pasienter Tidlig ute med elektronisk pasientjournal Mye strukurerte og ustrukturerte data om enkeltborgere Langt bedre muligheter enn f.eks. USA Sørlandet sykehus Liten pasientlekkasje Enterprise system «alle» typer kliniske data tilgjengelig (somatikk, psykiatri, radiologi, lab, journal, venteliste, admin.data, diagnostikk, medikasjon, operasjonsplanlegging etc.) Klinisk datavarehus Få systemskifter - relativt komplett journalmaterie Lang historikk (innførte PAS/EPJ i 1991 som første sykehus i landet)

21 Finland: «kunstig intelligens er den nye strømmen» Kanskje bør Norge se på hva Finland gjør

22 Hva gjør Finland?