Optimizing management of musculoskeletal pain disorders in primary care (SUPPORTPRIM)

Bakgrunn: Muskel- og skjelettplager (MSK) er en av de mest utbredte helseproblemene globalt og den ledende årsaken til funksjonsnedsettelse. Disse plagene utgjør en stor byrde både for pasientene og samfunnet. Tradisjonelle behandlingsmetoder for MSK-plager mangler ofte solid evidens eller har kun moderate og kortvarige effekter. På grunn av pasientgruppens mangfold er det utfordrende å overføre retningslinjer og systematiske oversikter til klinisk praksis, da de ofte baseres på gjennomsnittlige gruppeforskjeller fra randomiserte studier. For å optimalisere behandlingen bør den tilpasses individuelt, med fokus på effektiv kommunikasjon og felles beslutningstaking. Dette er imidlertid utfordrende på grunn av de mange faktorene som påvirker pasientens opplevelse og symptomer. En mulig løsning er å bruke kunstig intelligens (KI) for å tilpasse behandlingen på individnivå, eller gjennom stratifisert behandling som tilpasses undergrupper av pasienter med lignende karakteristikker. Målsetting: Prosjektets hovedmål var å forbedre behandlingen av pasienter med MSK-plager i primærhelsetjenesten, fra stratifisert behandling i allmennmedisin til persontilpasset behandling i fysioterapi. For å oppnå dette utviklet prosjektet et digitalt klinisk beslutningsstøttesystem for fysioterapeuter basert på KI, og videreutviklet et beslutningsstøttesystem for allmennmedisin basert på stratifisert behandling for fastleger. Prosjektet testet også effekten av disse systemene i klinisk praksis og utviklet en prototype for et KI-basert beslutningsstøttesystem for fastleger. Resultater: Prosjektet utviklet og testet digitale kliniske beslutningsstøttesystemer for fysioterapeuter og fastleger. Systemene ble evaluert i to randomiserte kontrollerte studier med henholdsvis 729 pasienter hos fysioterapeuter og 298 pasienter i allmennmedisin. Resultatene viste at beslutningsstøttesystemet for fysioterapeuter ikke ga bedre behandlingseffekt sammenlignet med kontrollgruppen som fikk vanlig oppfølging. Prosessevalueringen og kvalitative studier viste at fysioterapeutene satte pris på deler av systemet, men det påvirket ikke behandlingsvalgene som forventet. Studien blant fastleger viste heller ikke forbedret behandlingseffekt med den stratifiserte tilnærmingen. Prosessevalueringen ga imidlertid nyttig innsikt i faktorer som fremmer og hemmer bruken av beslutningsstøttesystemet blant fastleger. Prosjektet hadde også som mål å utvikle en prototype for et KI-basert beslutningsstøttesystem for fastleger. Etter at studien blant fysioterapeuter viste at KI-systemet ikke ga bedre behandlingseffekt, valgte vi å fokusere på en pasientsentrert tilnærming. I den siste arbeidspakken gjennomførte vi derfor en brukersentrert designprosess med samdesign-workshops som involverte prosjektgrupper, eksperter og sluttbrukere. Dette resulterte i en redesignet prototype av delte digitale skjermer, basert på prinsipper fra Human-Computer Interaction (HCI) og Computer-Supported Collaborative Work (CSCW). Prototypen ble testet i et felteksperiment under konsultasjoner mellom fire fastleger og tolv pasienter. Vi utforsket hvordan et interaktivt grafisk brukergrensesnitt kan fasilitere pasientsentrert behandling. Hovedresultatene fra felteksperiment blant fastlegene ble oppsummert i seks punkter: 1) Systemdesignets innflytelse på interaksjon, 2) struktur på konsultasjonen, 3) pasientinvolvering, 4) validering av pasientens symptomer, 5) pedagogisk verktøy og «tredjepart» i konsultasjonen, 6) felles forståelse. Prosjektet viser hvordan en brukersentrert tilnærming kan forbedre digitale verktøy for helsepersonell, med mål om å fremme pasientsentrert behandling. Prosjektet omfattet også fire masteroppgaver som brukte data fra prosjektet til å belyse klinisk relevante problemstillinger: 1) Sammenheng mellom helsekompetanse og behandlingsresultater, 2) Sammenhengen mellom søvn og psykisk stress, 3) Forventninger som prognostisk faktor, 4) Barndomsopplevelser og deres assosiasjon med behandlingsutfall. Dette prosjektet viser at selv om KI og digitale beslutningsstøttesystemer har potensial, er det fortsatt utfordringer knyttet til utvikling, implementering og effektiv bruk i klinisk praksis. Videre forskning og utvikling er nødvendig for å realisere potensialet i persontilpasset behandling for MSK-plager.

Prosjektet utviklet og bygget digitale, kliniske beslutningsstøttesystem for fysioterapeuter og fastleger. Systemene ble testet ut i en randomisert kontrollert studie blant fysioterapeuter med 729 pasienter og i en randomisert kontrollert studie i allmennmedisin med 299 pasienter. Studien blant fysioterapeutene viste at beslutningsstøttesystemet, som brukte metoder fra kunstig intelligens, ikke ga en bedre behandlingseffekt, sammenlignet med ei kontrollgruppe som fikk vanlig oppfølging uten bruk av systemet. Prosessevalueringen og kvalitative studier viste at fysioterapeutene likte veldig godt deler av beslutningsstøttesystemet, men systemet påvirket ikke valg av behandling slik som intensjonen med systemet var. Studien blant fastlegen fant heller ikke en forbedret behandlingseffekt basert på den stratifiserte tilnærmingen. Her ga også prosessevalueringen nyttig kunnskap om fremmere og hemmere for bruk av beslutningsstøttesystemet blant fastleger. Prosjektet hadde også som mål å utvikle en prototype for et KI-basert beslutningsstøttesystem for fastleger. Siden studien blant fysioterapeutene viste at det KI-baserte beslutningsstøttesystemet ikke ga bedre behandlingseffekt, valgte vi å ikke basere prototypen på den samme metoden fra kunstig intelligens. Derfor valgte vi å videreutvikle og forbedre beslutningsstøttesystemet for fastlegene med fokus på pasientsentrert tilnærming. Et viktig spørsmål var å undersøke hvordan delte digitale skjermer kan fremme pasientsentrert behandling i allmennmedisin. Hovedresultatene fra denne delen av prosjektet ble oppsummert omkring 6 punkter:1) Innflytelsen av design av systemet på interaksjon mellom fastlege og pasient, 2) Struktur på konsultasjonen, 3) Involvering av pasient, 4) Validering av pasientens symptomer og plager, 5) Pedagogisk verktøy og «tredjepart» i konsultasjonen, 6) Felles forståelse. Prosjektet har avdekket flere hemmere og fremmere for å utføre klinisk forskning i primærhelsetjenesten i Norge. Prosjektet har også bidratt til økt fokus på bruk av kunstig intelligens i helsetjenesten, ved at prosjektgruppa har deltatt på mange ulike forum nasjonalt og internasjonalt, både for forskere, pasienter, beslutningstakere, og politikere. Prosjektet har bidratt til forsterket tverrfaglig samarbeid mellom medisinske og teknologiske miljø på NTNU. Satsningen på kunstig intelligens innen helse ved NTNU har bidratt til at forskningsfeltet fikk en nyopprettet stilling fra Rektor ved NTNU innen kunstig intelligens og Helse, som betyr mye for den videre satsningen på forskningen innen feltet.

Musculoskeletal disorders (MSDs) is the number one cause of years lived with disability andreduced health worldwide. In Norway, every fourth patient in primary care suffers from MSDs. Treatment effects are however modest and knowledge of best practice limited. The SUPPORTPRIM project will address these challenges in two main steps:1) To optimize person-centered care, we will employ innovative methods from artificial intelligence in terms of Case-Based Reasoning to build a clinical decision support system (cDSS ) based on patient data already collected in primary care physiotherapy. Case-Based Reasoning aims to solve new problems based on the solutions to similar problems in the past. In other words, previous MSD cases will be used to help similar cases in the future, just as humans learn from their own experience. We will then assess the efficacy of the cDSS in physiotherapy practice in a randomised controlled trial.2) This effort will be expanded to general practice by implementing The STarT MSK screening Tool as basis for stratified care for MSD patients. The efficacy of the stratified care will be assessed in a randomized controlled trial in general practice. Finally, the cDSS from physiotherapy practice will be extended and adapted to fit general practice. State-of-the-art personalized treatment plans are envisioned to benefit a much larger proportion of MSD patients than a "one-size-fits-all" approach. In addition, SupportPRIM facilitates and emphasizes the co-decision process between the patient and physiotherapist. The innovative approach using artificial intelligence to develop personalised decision support systems are far beyond current state of art, is highly relevant for other patient groups in health care, and can be integrated in future medical record systems.