Den aldrende befolkningen fører til at flere lever med flere sykdommer samtidig og har økt behov for helsehjelp. For å redusere behovet for omfattende tjenester blant disse, er det viktig å oppdage tidlige tegn på helseforverring. Da kan man sette inn tiltak før tilstanden blir alvorlig – som å justere medisinering eller forhindre fall. Dette kan bidra til færre sykehusinnleggelser, som både er kostbare og belastende for pasientene.
PAI-prosjektet (Predicting Care Needs of Older Adults in the Healthcare System through AI-enabled Analysis of Patient-Monitoring Data) jobber med denne utfordringen ved å bruke kunstig intelligens (KI) til å analysere sensordata. Først undersøkes om kontinuerlige målinger – som fysisk aktivitet og puls – kan brukes i en KI-modell for å forutsi helseproblemer hos eldre. Deretter skal det vurderes hvordan en slik modell kan tas i bruk i helsetjenesten på en måte som sparer tid og ressurser, og passer inn i dagens arbeidsflyt.
Prosjektet gjennomføres i Norge, Sverige og Spania, og kombinerer tallfestede data (som sensormålinger og helseregistre) med erfaringer fra helsepersonell og pasienter. Det er etablert samarbeid med lokale helseaktører, nødvendige etiske godkjenninger er på plass, og en felles nettside og pressemeldinger er publisert. Det er snart ferdigstilt en protokollartikkel som beskriver prosjektets metode og mål.
Et viktig bidrag til utviklingen av KI-modellen kommer fra Norge. Her brukes aktivitetsdata fra den store befolkningsundersøkelsen HUNT4 (2017–2019), koblet med nasjonale helseregistre (NPR og KPR). Studien undersøker om variasjon i bevegelsesmønstre henger sammen med kontakt med helsetjenester i månedene etter målingen, uavhengig av diagnose. Det er forventet at mellom 8000 og 10 000 personer oppfyller kriteriene. Data er motatt og analysen er påbegynt.
Forberedelser til utprøving av implementering i helsetjenesten er i gang. Implementeringen handler om å samle inn data fra personer med høy risiko for akutt helseforverring – ofte eldre med flere sykdommer og nylige kontakter med helsetjenesten. Det er gjort vurderinger av hvilke sensorer som gir best datakvalitet og er praktisk i bruk. Konklusjonen så langt er å bruke kommersielt tilgjengelige smartklokker. Det pågår fortsatt arbeid med å avklare om det kreves godkjenning som medisinsk utstyr, og hvordan data fra klokkene kan hentes ut og kobles til helseinformasjon.
As the population ages, the demand for healthcare services increases, including acute care. This puts a strain on healthcare resources, making efficient care management crucial at all levels - home, nursing homes, primary care, and hospitals.
The PAI project aims to address this challenge by using artificial intelligence (AI) to predict the care needs of older individuals. By analyzing patient monitoring data, the project can detect early signs of health or functional decline. This allows for preventive measures to be taken, reducing the need for costly acute care and aftercare. For example, hospitalizations can be prevented by avoiding falls in nursing homes or adjusting medication in primary care.
However, predicting the care needs of older patients is not straightforward. It involves dealing with varying data availability, quality, and potential interventions across different care levels and diagnoses. To tackle this, the PAI project uses a design science approach and a multiple case study design. It develops analytics in collaboration with care recipients and healthcare practitioners and implements them in real-life settings in Spain, Sweden, and Norway.
The project uses a mixed-methods strategy for data collection and analysis, combining quantitative and qualitative elements. This includes the thematic interpretative analysis of meeting notes, interviews, and observations, as well as the statistical longitudinal trend analysis of Key Performance Indicators in the respective healthcare systems.
The benefits of the PAI project are twofold. Older individuals receive adequate early care, preventing injuries and the worsening of diseases. Healthcare staff can use their resources more effectively, creating a sustainable and satisfying work environment. The outcomes of the project are scalable and can be applied in various contexts, making it a valuable contribution to the future of European healthcare.
