Orchestrating Internet of Things and Machine Learning for Early Risk Detection to Ensure Inpatients Safety

Kvalitet og pasientsikkerhet er svært viktige fokusområder for både klinisk personell og sykehusledelse. Uønskede hendelser som kan føre til pasientskade og i verste fall til tap av liv, medfører store langtids-konsekvenser for både pasient, pårørende, involvert sykehuspersonell og for samfunnet. For å møte en slik utfordring og oppdage potensiell risiko i tidlig fase, er det avgjørende å utvikle et system som er i stand til å øke pasienters sikkerhet ved å generere varsler til ansvarlig personell på en automatisk og kontinuerlig måte. Et slikt system innebærer overvåkning og analyse av atferd og vitale parameter hos pasienter. Med dagens nye fremskritt innen tingenes internett (IoT) og maskinlæring (ML), har dette prosjektet et mål om å utvikle en bærekraftig løsning for å forebygge alvorlige hendelser blant pasienter som er innlagt på sykehus. Denne løsningen skal bygges på sanntids datainnsamling ved hjelp av IoT-enheter og atferdsanalyse basert på ML-algoritmer. Dette prosjektet er et innovasjonsprosjekt i offentlig sektor ledet av Sørlandet Sykehus (SSHF) med deltakelse fra Universitetet i Agder (UiA) og Egde Consulting AS. Målet er å gjøre en god vurdering av om et slikt sanntidssystem vil ha nytteverdi for behandling i sykehus, både kvalitative og kvantitative effekter. Egde Consulting AS er totalleverandør av teknisk løsning og har i prosjektet utviklet applikasjonen StaySafe helseplattform som er integrert i en plattform kalt "Egde HealthGateway" for å innhente og fremstille data fra sensorer. Egde Consulting har underveis i prosjektet samarbeidet med flere underleverandører og prøvd ut ulik type sensorteknologi. Prosjektet har hatt 3 gjennomgående hovedaktiviteter for å oppnå dette: 1. Teknisk utprøving av hardware (radarsensorer) for å vurdere stabilitet og pålitelighet av målinger. 2. Utvikling av software, for datainnsamling, brukergrensesnitt for ansatte og driftsløsning fra leverandør. 3. Forskning på innsamlet data for å validere stabilitet og pålitelighet. Utprøving av teknologi har blitt gjennomført i første fase i boligsimulator på UiA/i4helse i Grimstad, deretter inne på pasientrom i KPH ved 2 ulike lokasjoner (Arendal og Kristiansand). Det har blitt montert teknisk infrastruktur i taket på 17 pasientrom og 17 tilhørende bad og 2 vaktrom. Det har blitt samlet inn data fra 1.300 døgn på boligsimulator og pasientrom, med kontinuerlig justering av brukergrensesnitt og rapporter til ansatte. Hardware som er brukt i sykehusbyggene underveis prosjektet er radarsensoren Somnofy fra leverandøren VitalThings AS. Denne sensoren er i utgangspunktet ikke tiltenkt bruken den er blitt testet på i prosjektet og leverandøren har i løpet av prosjektperioden utviklet en ny sensor kalt "R10" som er utviklet til dette formålet. Egde Consulting AS har i samråd med klinikere utviklet en plattform kalt "Egde HealthGateway" med tilhørende brukergrensesnitt som kan gi alarmer basert på sanntidsdata, samt gi rapporter på historisk data, eksempelvis søvndata fra natten som har vært. Prosjektet hadde et mål om å se på muligheten for å utvikle algoritmer som kunne predikere en uønsket hendelse, særskilt forsøk på selvmord, hvor alarm kunne bli sendt til kliniker på avdelingen i forkant av hendelsen. En slik løsning vil kreve større mengder data enn prosjektet har samlet inn og dermed kan det ikke konkluderes med om dette vil være mulig å få til. Tilbakemelding fra klinikere som har deltatt i prosjektet har vært konstruktive og positive. Særlig har det vært fokusert på sanntidsovervåking, med tilstedeværelse, søvn og aktivitet/utagering som positiv nytteverdi for klinikk og pasient. Dagens utprøving har basert seg på et brukergrensesnitt på skjerm inne på vaktrom i form av en anonymisert kurve av bevegelse fra pasientrommet. Tilbakemeldinger fra utprøvinger viser at for å oppnå høy nytteverdi burde alarm kunne håndteres på mobile enheter som bæres av ansatte på avdelingen og ikke bare via skjerm på vaktrom. Utprøvingen har ikke vært en del av avdelingenes daglige drift og dermed ikke kunnet påvirke pasientbehandling på noe vis i prosjektperioden. Dette legger begrensninger på i hvor stor grad nytteverdi har kunnet bli vurdert, men har vært viktig for å gjennomføre prosjektet på en etisk og medisinsk-faglig korrekt måte. Konklusjon: Det vil potensielt være stor nytteverdi for både pasient og ansatte i sykehus å kunne få sanntidsdata om bevegelse og vitale parameter fra pasientrommet. Rapporter om søvndata vil kunne ha stor nytteverdi for pasientbehandling. Teknologien som er utprøvd vurderes til å være på et TRL nivå 7, ihht EU (Horizon 2020) sin skala for teknologi-modenhet. Med andre ord er teknologien utprøvd i prosjekt noe prematur for implementering, samtidig ser man store potensielle gevinster i fremtiden når de tekniske utfordringer er løst. Leverandør i prosjektet har ambisjon om å kunne levere et slikt system i 2025.

1) Plattform for håndtering og fremstilling data fra sensorer inne på pasientrom er utviklet i samråd med klinikere. Løsningen er kalt "StaySafe Health Gateway" 2) Tekniske utprøvinger har vurdert løsning til et TRL nivå 7, ihht. EU (Horizon) skal for teknologimodenhet. 3) Ved økt modenhet av teknologien, vil en slik løsning potensielt ha stor nytteverdi for klinikken ved at sanntidsdata kan sendes fra pasientrom til kliniker og dermed gi varsling ved uønskede hendelser. Det er identifisert stor nytteverdi i å kunne hente rapport om søvndata og inkludere dette i behandlingsopplegget. 4) En implementering vil kunne gi store besparelser i form av å flytte noe bemanning fra nattevakt til dagvakt. Det har i prosjektperioden blitt gjennomført mye aktivitet knyttet til informasjonsdeling om prosjektet og flere sykehus og forskningsmiljøer har kunnet dra nytte av erfaringene som er gjort. Prosjektet har i så måte bidratt til den pågående utviklingen av løsninger for trådløs monitorering av sanntidsdata fra pasient.

Quality and patient safety are two areas of pivotal importance for clinical personnel and hospital management. Incidents that lead to patient harm, and in worst cases to loss of lives, bring huge losses and long-lasting consequences for patients, family members, involved hospital personnel, as well as society. To address such a challenge and detect potential risks at an early phase, it is imperative to develop a means or system that is capable of improving inpatient safety, by monitoring and analyzing agitated and unusual behaviors as well as generating alerts to responsible personnel on an automatic, continuous, and 24/7 basis. Motivated by the recent advancement in IoT and ML technologies, the StaySafe project makes a joint effort to develop a viable solution for behavior surveillance and analysis of inpatients in mental and somatic healthcare, by integrating data collection based on non-intrusive IoT devices and detection of unusual behavioral patterns based on ML algorithms for the purpose of behavior analysis and risk prevention. We believe that such a solution will be able to provide high-level decision support based on real-time data collection and analysis, thus helping prevent agitated patient behavior through early stage warning to on-duty personnel as well as involved inpatients This innovation project is a joint effort among SSHF, UiA, and Egde in collaborations with our international partner NCTU/TW and end users. The total budget for this project is ~13.3 MNOK including 50% NFR contribution and 50% partners' own contributions respectively. The scope of this project is in full conformity with this HELSEVEL call for innovation projects for the public sector, addressing two cross-cutting themes and research areas defined in the HELSEVEL program, i.e., Technology and digitalisation and Service innovation and implementation. The technology readiness level of this project is 4 or higher, targeting at a deployable solution within the next four years.