Som et led i GERI-kuffert projektet [1] er der udviklet en algoritme, som hjælper med at opspore ældre borgere i eget hjem, som er i risiko for akut indlæggelse.

Algoritmen baseres sig på data fra de kommunale systemer omkring den enkelte borgers forbrug af kommunale ydelser i form af praktisk hjælp, personlig pleje, sygepleje og rehabilitering.

Forskning har vist, at der før en akut indlæggelse af en ældre borger er en stigning i de kommunale ydelser [2]. Algoritmen baserer sig på denne viden og hjælper med at opspore borgere, som har en tydelig stigning i kommunale ydelser over en periode.

Svendborg Kommune har testet algoritmen. En gang om ugen gennemgås de borgere, som algoritmen peger på. Dette muliggør større opmærksom på borgere i risiko og derved en tidligere og målrettet indsats for at forebygge forværring.

”Algoritmen giver rigtig god mening. Den supplerer vores arbejde med tidlig opsporing og gør os opmærksomme på borgere, som vi ikke selv havde fundet. Algoritmen giver os muligheden for at forebygge sygdomsforværring, som potentielt kan føre til akut indlæggelse. Algoritmen overtager ikke, men udfordrer og supplerer vores faglighed” siger akutsygeplejerske Anne Christensen, Svendborg Kommune.

Algoritmen testes nu i et større randomiseret studie i Odense, Svendborg og Kerteminde Kommuner.

Forskning har vist knap 1/3 af patienterne på FAM, som under triagen vurderes til at være stabile, oplever en forværring inden for 24 timer. Patienter som oplever forværring har en markant øget risiko i form af dødelighed [3].

Der er derfor et behov for at blive bedre til at opspore patienter i risiko for forværring. Forskning har vist at infrarøde termografi kan anvendes i vurderingen af en patients prognose [4]. Dette er baseret på en hypotese om, at blodcirkulationen i kroppen centreres omkring vitale organer ved kritisk sygdom. Dette medfører en større forskel på kroppens kernetemperatur og temperaturen i perifere dele.

Der er udviklet en teknologisk løsning som muliggør måling af temperaturforskellen mellem øjenkrogen (kernetemperatur) og næsetippen (perifer temperatur). Jo større forskellen i temperatur er, jo dårligere er patientens prognose [4].

Løsningen er baseret på et termografisk kamera, som kan tilsluttes en mobiltelefon. Det er udviklet en app, som via kunstig intelligens (dyb læring) kan lokalisere de ønskede punkter på det termografiske billede og måle forskellen i temperatur.

Løsningen er blevet testet på FAM, Odense Universitetshospital (OUH). Planen er at bruge appen som et led i fremtidig triage som yderligere beslutningsstøtte til de sundhedsfaglige.

[3] Henriksen DP, Brabrand M, Lassen AT. 2014. Prognosis and risk factors for deterioration in patients admitted to a medical emergency department

[4] Holm JK, Kellett JG, Jensen NH, Hansen SH, Jensen K, Brabrand M. 2018. Prognostic value of infrared thermography in an emergency department

Overdrevet alkoholforbrug er i sig selv skadeligt og er samtidig en komplicerende faktor for mange sygdomme og behandlingsforløb.

Relip projektet [5,6] udvikler en prædiktiv model, der gør det muligt at udnytte de allerede eksisterende oplysninger i patientjournalen til at sikre en tidlig identifikation af et problematisk og komplicerende alkoholforbrug blandt indlagte patienter. 

Målet med projektet er dels at udvikle en klinisk relevant platform for personalet til at foretage tidlig intervention overfor alkoholproblemer, dels at udvikle og afprøve en model for, hvordan man generelt kan udnytte allerede indsamlede journaldata på en relevant måde til at informere personalet om patientsymptomer uden at det medfører øget tidsforbrug eller øget dokumentationsindsamling.

Erfaringer med udviklingen af algoritmer til identifikation af alkoholproblemer forventes således at kunne udnyttes på en række områder.

En prædiktive model baseret på kunstig intelligens (maskinlæring) er udviklet baseret på journaldata. Modellen er meget præcis i sin identifikation af personer med problematisk alkoholforbrug.

[5] Relip

[6] Relip

Antallet af patienter, som ankommer på FAM svinger henover døgnets 24 timer og alle ugens dage. Faktorer såsom vejret spiller også ind på antallet af patienter.

For at kunne give patienterne den bedst mulige behandling på FAM er det vigtigt at have nok personale på arbejde ift. det forventede antal patienter. Omvendt er det også vigtig ikke at have for meget personale på arbejde for at bruge ressourcerne bedst muligt.

En præcis prognosemodel vil være et nyttigt beslutningsstøtteværktøj for ledelsen ift. ressource- og bemandingsplaner og vil samtidig sikre den bedst mulige behandling af patienterne.

En sådan model er udviklet på baggrund af data fra FAM i Esbjerg koblet med vejrdata og data omkring ferier og højtider i Danmark. Vejrdata og data fra FAM er på timebasis.

Modellen er med høj præcision i stand til at forudsige antallet af patienter i forskellige intervaller: 1 time, 4 timer, 8 timer, 24 timer, 3 dage, 7 dage, 30 dage.

Datadrevet sundhedsteknologi gør det muligt at tilbyde individuelle behandlingsforløb, som tager hensyn til den enkelte patients tilstand på baggrund af analyse af indsamlede data omkring patienten.

ACQUIRE-ICD projektet [7,8] har udviklet en web-baseret interaktiv platform som:

• gør patienterne i stand til rutinemæssigt at holde øje med deres egen sundhedstilstand, herunder også symptomer på angst og depression, opspore forværringer på et tidligt tidspunkt, indlede dialog med den ICD-klinik som de er tilknyttet samt give dem adgang til passende self-management råd via en web-baseret interaktiv platform
• fungerer som et værktøj til at informere sundhedspersonale rettidigt om ændringer i patienters symptomer for dermed at bane vejen for tidlig medicinsk indgriben, støtte fælles beslutningsprocesser og levere en mere skræddersyet behandling

En sådan web-baseret platform har potentiale til at reducere antallet af ambulante besøg, gøre patienten mere tryg omkring sin kroniske tilstand og forøge livskvaliteten.

[7] ACQUIRE-ICD

[8] ACQUIRE-ICD