När ambulanspersonal ska avgöra hur allvarligt skadad en person är, spelar många olika variabler in. Om vårdpersonalen kan få beslutsstöd av ett AI-verktyg kan fler liv räddas. Det visar ny forskning från Chalmers, Göteborgs universitet och Högskolan i Borås.

Foto: Chalmers tekniska högskola | Mia Halleröd Palmgren

– Om allvarligt skadade transporteras direkt till ett universitetssjukhus ökar chansen att de överlever, eftersom där finns resurser att ta hand om alla typer av skador, säger Anna Bakidou, doktorand i forskargruppen Care@Distance – Remote and Prehospital Digital Health vid institutionen för elektroteknik på Chalmers tekniska högskola. Därför måste vi bättre kunna säga vilka som är allvarligt skadade, och vilka som inte är det, så att alla får rätt vård och resurserna används på bästa sätt.

I en nyligen publicerad studie har Anna Bakidou och medförfattarna tagit fram fem olika matematiska modeller som bygger på data om vuxna personer som kommit i kontakt med ambulanssjukvård mellan 2013 och 2020. De handlar om data från över 47 000 verkliga händelser, hämtade från Svenska traumaregistret, där det även framgick vart personerna transporterats. Genom att väga samman en mängd komplexa variabler, som till exempel andningsfrekvens, skadetyp, blodtryck, ålder och kön, visade det sig att samtliga AI-modeller kan prestera bättre än det kliniska utfallet – alltså de transportbeslut som togs av ambulanspersonalen vid händelsen.

Det visade sig att 40 procent av de allvarligt skadade patienterna inte skickades direkt till ett universitetssjukhus. Samtidigt skickades 45 procent av de icke allvarligt skadade till universitetssjukhus i onödan, trots att deras skador hade kunnat tas om hand på ett vanligt sjukhus.

– Ambulanspersonal ställs ständigt inför svåra och snabba beslut. Vår förhoppning är att ett mer objektivt beslutsstöd ska kunna fungera som en ”extra kollega” som får personalen att se mer komplexa samband och tänka till en extra gång i de fall då skador kan vara svåra att uppfatta eller bedöma,

Som exempel nämner Anna Bakidou att yngre personer, som i hög utsträckning råkar ut för trafikolyckor, ofta bedöms som mer allvarligt skadade än de är, medan äldre personer, som till exempel råkar ut för fallolyckor, bedöms som lindrigt skadade trots att deras tillstånd plötsligt kan bli livshotande, till exempel på grund av inre blödningar.

Även om de matematiska modellerna visar att många människoliv potentiellt skulle kunna räddas, är det en hel del som återstår innan ambulanspersonal kan använda sig av tekniken. Ett avgörande steg är att hitta metoder för att snabbt och lätt få in alla uppgifterna i AI-verktyget och att tjänsten ska kunna samspela med användarna på ett bra sätt.

– Kan man till exempel prata med verktyget för att kunna ha båda händerna fria? Hur kan befintliga rutiner och protokoll användas för att fungera ihop med AI:n och hur kan råden till personalen uppdateras när nya uppgifter tillkommer? Sådana saker behöver vi testa och ta hänsyn till när vi går vidare med fler studier och prototyparbete.

Innan AI-tjänster skulle kunna bli en del av vardagen för ambulanspersonal krävs också kliniska prövningar i stor skala över tid.

– Regelverken gör att det tar tid och det finns också en rädsla för AI, säger medförfattaren Stefan Candefjord, docent vid institutionen för elektroteknik på Chalmers. Det kan ju bli allvarliga konsekvenser om det blir fel. Allt som ska införas i vården ska vara validerat.

– Samtidigt vet vi att några av de metoder som används i dag inte alltid är de bästa. Just när det gäller ambulanssjukvården finns det inte så mycket forskning kring AI och vi hoppas att våra matematiska modeller ska kunna bidra med stöd som är anpassat för arbetsmiljön och som i förlängningen ger en mer jämlik vård.

Den vetenskapliga artikeln ”On Scene Injury Severity Prediction (OSISP) model for trauma developed using the Swedish Trauma Registry” har publicerats i BMC Medical Informatics and Decision Making. Bakom studien står Anna Bakidou, Eva-Corina Caragounis, Magnus Andersson Hagiwara, Anders Jonsson, Bengt Arne Sjöqvist och Stefan Candefjord.

Forskarna är verksamma vid Chalmers tekniska högskola, Sahlgrenska akademin vid Göteborgs Universitet och Högskolan i Borås.

Studien gjordes inom ramen för flera forskningsprojekt, som Kontiki och ASAP PoC, och forskningen har finansierats av Interreg Sverige-Norge, IoT Sverige, Carnegiestiftelsen, Adlerbertska stiftelserna och Centrum för katastrofmedicin.

Filed under: SvenskTeknik