Författare: Ossi Koskinen, chef för stora kundrelationer på Siemens Healthineers. Han ansvarar för strategiska kundrelationer i Finland och Sverige.
Inom hälso- och sjukvården diskuterar man knappast längre om artificiell intelligens kan användas. Den betydligt svårare frågan är hur en lösning som har visat sig fungera kan integreras i det dagliga arbetet på ett sätt som verkligen skapar nytta för vårdpersonalen och patienterna.
Den här frågan återkommer i mina möten med sjukhusledningar, kliniska experter och IT-organisationer. Det finns många lösningar och lovande pilotprojekt, men vägen från pilotprojekt till etablerad användning är ofta förvånansvärt lång.
Det här är inget nytt fenomen.
Jag har ägnat en stor del av min karriär åt förändringsarbete och införande av ny teknik inom hälso- och sjukvården. Genom åren har jag bland annat varit med och utvecklat ett verktyg för smärtbedömning för dåtidens Windows Phone och bidragit till att bana väg för distansmottagningar vid en tidpunkt då intresset för dem fortfarande var relativt begränsat.
Investeringen i Windows Phone var i efterhand inte ett av de mest framgångsrika teknikvalen i min karriär. Erfarenheten lärde mig ändå något som fortfarande gäller: en tekniskt fungerande lösning innebär inte automatiskt en välfungerande tjänst.
När det gäller distansmottagningar var situationen något annorlunda. Den teknik som behövdes hade till stor del funnits i flera år innan omgivningen var redo för en bredare användning. Coronapandemin förändrade snabbt situationen. I dag upplever vi det som ganska naturligt att en patient inom den finländska primärvården även kan tas emot av en yrkesperson som arbetar från ett annat land. Så arbetar till exempel en bekant till mig som för närvarande bor i Frankrike.
Tekniken kan alltså vara färdig långt innan arbetssätten, strukturerna och människorna runt omkring är redo. När det gäller AI befinner vi oss på många håll just i den här fasen.
Många lösningar fungerar väl ur ett tekniskt perspektiv. Trots det syns den utlovade nyttan inte alltid i det dagliga arbetet. Orsaken finns ofta i hur lösningen kopplas till sjukhusets system, arbetsflöden och beslutsfattande.
Jag har sett situationer där syftet har varit att spara vårdpersonalens tid. I praktiken kontrollerar användaren först den ursprungliga informationen, därefter AI-bedömningen och slutligen samma sak ännu en gång i ett annat system. Den nya lösningen skulle minska arbetsmängden men skapade i stället ytterligare ett kontrollsteg.
I en sådan situation kan algoritmen fungera precis som avsett. Ändå blir vårdpersonalens arbete inte enklare.
Den information som AI genererar måste finnas tillgänglig i det system och i det skede av arbetsflödet där vårdpersonalen redan fattar beslutet. Informationen måste presenteras i ett begripligt format och gå att agera utifrån. Annars riskerar AI att bli ytterligare ett verktyg vid sidan av de befintliga.
Inom medicinsk bilddiagnostik sträcker sig möjligheterna redan långt bortom analysen av en enskild bild. AI kan stödja patientförberedelser, genomförandet av undersökningen, bildtolkning, rapportering och överföringen av information till det kliniska beslutsfattandet. Det centrala är då inte en enskild tillämpning, utan hela kedjan från patient till bild, från bild till utlåtande och vidare till behandling.
Därför anser jag att ett AI-initiativ inte bör inledas med frågan var vi skulle kunna lägga till AI.
Jag skulle börja med betydligt mer vardagliga frågor. Var stannar arbetet upp? Var uppstår väntetider? Var dokumenteras samma information flera gånger? Var måste vårdpersonalen växla mellan olika system? Vilka uppgifter tar tid trots att de inte kräver klinisk kompetens?
När det verkliga problemet har identifierats kan man bedöma om AI är rätt lösning. Ibland är det så. I andra fall kan en förändring av arbetssättet eller en något enklare teknisk lösning vara till större hjälp.
Samma praktiska förhållningssätt behövs när framgång ska mätas. Algoritmens noggrannhet är viktig, men den säger inte i sig något om lösningens värde. Inom hälso- och sjukvården bör effekten synas i patientvården, vårdpersonalens arbete eller organisationens verksamhet. Helst inom flera av dessa områden.
Effekterna måste också följas upp efter införandet. System och bilddiagnostisk utrustning uppdateras, patientgrupper förändras och nya versioner av AI-lösningar lanseras. Införandet avslutas alltså inte den dag då lösningen görs tillgänglig för användarna.
Det här kan låta självklart, men i praktiken förblir ansvarsfördelningen lätt oklar. Vem följer upp hur lösningen fungerar? Vem hanterar användarnas återkoppling? När behövs lokal validering? Hur bedöms effekterna av programvaruuppdateringar? Och vem fattar beslutet om lösningen inte längre fungerar som förväntat?
I det här arbetet behövs kliniska användare, IT-organisationen, tekniska experter, ledningen och leverantörerna. Särskilt värdefulla är de personer som förstår både det kliniska arbetet och teknikens möjligheter och begränsningar. De kan ofta identifiera problem som riskerar att förbises om frågan endast betraktas ur ett perspektiv.
Det blir svårare att hantera helheten när antalet AI-lösningar ökar. Tio separata lösningar utgör ännu inte en fungerande miljö. Var och en av dem kräver integrationer, åtkomsträttigheter, underhåll, uppföljning och support. Om helheten inte planeras gemensamt riskerar användaren att mötas av en rad nya digitala arbetsmoment.
I bästa fall behöver vårdpersonalen inte fundera på vilken AI-lösning som används vid varje enskilt tillfälle. Den information som behövs visas på rätt plats som en del av det normala arbetet. Vårdpersonalen bedömer informationen, fattar beslutet och bär ansvaret.
Nästa intressanta steg är att gå från enskilda arbetsflöden till att betrakta sjukhusets verksamhet som en större helhet. I det sammanhanget tycker jag att en digital tvilling av verksamheten är en särskilt intressant idé.
Begreppet låter tekniskt, men grundtanken är mycket praktisk. Om vi kan skapa en tillräckligt aktuell bild av patientflöden, personal, lokaler, utrustning, tidsscheman och beroendena mellan olika vårdprocesser kan vi bedöma konsekvenserna av beslut innan de genomförs.
Vad händer till exempel om efterfrågan på undersökningar ökar på ett sjukhus? Bör patienter hänvisas till en annan enhet, personalens arbetsskift ändras eller tiderna för undersökningar organiseras på ett nytt sätt? Hur påverkar underhållet av ett bilddiagnostiskt system patientköerna, personalens arbetsbelastning och den fortsatta vården?
På ett verkligt sjukhus är det svårt att testa dessa alternativ. Verksamheten pågår hela tiden, patientvården kan inte vänta och det är inte alltid lätt att skilja effekten av en enskild förändring från allt annat som händer. I en digital modell kan olika alternativ jämföras innan förändringarna införs i praktiken.
Detta skulle även kunna bidra till att rikta AI-investeringarna mer ändamålsenligt. I stället för att utgå från en färdig lösning och söka ett användningsområde för den kan man genom att analysera verksamheten identifiera de punkter där väntetider, manuellt arbete, avbrott i informationsflödet eller ojämnt kapacitetsutnyttjande orsakar störst problem.
Först därefter bör man fundera på om AI behövs.
Inte heller en digital modell löser dock allt automatiskt. Nyttjandegraden för ett system kan förbättras samtidigt som patientens totala tid i vårdprocessen blir längre eller personalens arbetsbelastning ökar. Målen kan därför inte definieras enbart utifrån effektivitet, snabbhet eller kostnader.
Man måste komma överens om vad en välfungerande verksamhet innebär. Det omfattar vårdens kvalitet och säkerhet, vårdpersonalens arbete och patientens samlade upplevelse. I slutändan är valen ledningsfrågor. En digital tvilling kan bidra till att synliggöra alternativen och deras möjliga konsekvenser, men det är människor som avgör vad som är acceptabelt och eftersträvansvärt.
En större möjlighet uppstår om perspektivet utvidgas från en enskild avdelning till hela sjukhuset och senare till en helhet som består av flera tjänster eller sjukhus. Då kan exempelvis tillgången till personal, kapacitetsutnyttjandet och patienternas övergångar mellan olika delar av vårdprocessen granskas i samma modell.
Det finns också anledning till försiktighet. Ju större helhet som modelleras, desto större blir behovet av tillförlitliga och aktuella data. Det behövs också en gemensam syn på vad man vill uppnå. I praktiken är det därför klokt att börja med avgränsade problem vars effekter kan identifieras och mätas.
Finland har goda förutsättningar för detta. Vi har digital infrastruktur, hälsodata och stark kompetens. Det finns också ett omfattande samarbete mellan sjukhus, forskning, offentliga aktörer och företag. Trots dessa styrkor skapas framsteg inte enbart genom nya pilotprojekt.
Den svårare fasen börjar när en lösning som har visat sig fungera ska integreras i rätt arbetsflöde, dess effekter ska påvisas och användningen ska skalas upp bortom den första enheten. Att lyckas med detta kräver vanligtvis större uthållighet än att starta det första pilotprojektet.
Syftet med AI är inte att avlägsna människan från relationen mellan patienten och vården. AI bör frigöra vårdpersonalens tid för uppgifter som kräver erfarenhet, omdöme och empati. Behovet av dessa egenskaper försvinner inte när tekniken utvecklas.
När jag utvärderar en ny lösning återkommer jag ofta till några enkla frågor:
- Vilket problem försöker vi lösa?
- Hur förändras vårdpersonalens arbete i praktiken?
- Hur följs effekterna upp under användningen?
- Hur kopplas lösningen till andra system och processer?
En digital tvilling av verksamheten lägger till ytterligare en fråga:
Vad händer i andra delar av systemet om vi förändrar den här delen?
Svaren på dessa frågor säger vanligtvis mer om möjligheterna att lyckas än en teknisk demonstration eller ett produktlöfte.
AI utvecklas snabbt, men den mest avgörande frågan inom hälso- och sjukvården förblir mycket konkret: hjälper lösningen vårdpersonalen att utföra sitt arbete bättre, smidigare och säkrare?
Om svaret endast syns i presentationsbilder och inte i det dagliga arbetet är införandet ännu inte slutfört.
I slutändan avgörs framgången i arbetsflödena.
