vidnesbyrd om, hvilke borgere der får sværere ved at klare sig helt uden hjæl- pemidler i hjemmet, men også hvilke fysiske udfordringer disse borgere har. Ved at holde disse implicitte oplysninger op imod data fra faktiske træningsforløb kan den kunstige intelligens danne et billede af, hvilke borgere der vil få størst gavn af træningsforløb. Praksisnære erfaringer AIR tager over, hvor teknologisprings- projektet slap. Det er nu et af syv kom- munale »signaturprojekter«, som skal give praksisnære erfaringer med kunstig intelligens i den offentlige sektor. Helt konkret ønsker vi med AIR at kunne prædiktere følgende ved brug af kunstig intelligens: • Hvem bør tilbydes træning ved visite- ring af et hjælpemiddel? • Hvem vil opleve et signifikant forbed- ret funktionsniveau efter træning? • Hvem bør tilbydes faldforebyggelse? På Aarhus Universitet er vi derfor i gang med at udvikle en kunstig intelligens, der kan forudsige disse hændelser, og samtidig at lave en brugergrænseflade, som kan formidle resultaterne på en beskrivende og objektiv måde, så sags- behandleren kan se, hvad der ligger til grund for computerens valg. Herved kan den efterfølgende sagsbe- handling af medarbejderen ske på et endnu bedre grundlag end før - og med historiske data in mente. Det er ligeledes hensigten at afsøge måder, hvorpå man kan udvikle og udstille maskinlærings- modeller, så der ikke lækkes oplysninger om de underliggende data, der har været brugt til at træne modellen. Foreløbige resultater I projektet har vi brugt en række værk- tøjer og metoder inden for databehand- ling og maskinlæring til at indsamle, databehandle og opstille tre statistiske modeller, der søger at give svar på vores tre cases. Med DigiRehabs hjælp har vi sammensat et datasæt til hver case, der består af de førstegangscreeninger, hjemmehjælperen har lavet i sit første møde med borgeren. Disse screeninger indeholder oplysnin- ger om køn, alder, hvor mange og hvilke hjælpemidler borgeren har, og hvor længe de har været udlånt til borgeren. For hver screening kigger vi så frem og noterer, om borgeren på et tidspunkt gennemfører sit forløb, om borgeren får et signifikant forbedret funktions- niveau, eller om borgeren kommer ud Her ses et såkaldt SHAP-overblik med de prædiktorer, den statistiske model bruger. Præ- diktorer er angivet på y-aksen, og de tilhørende SHAP-værdier på x-aksen. Prædiktorer er rangeret efter, hvor stor betydning de har for at kunne forudsige, om en person vil gen- nemføre et træningsforløb eller ej - med den mest betydende prædiktor øverst. Hver prik er en konkret observation (førstegangsscreening af en borger) fra vores datasæt, og farven indikerer, om borgeren har en lav (blå) eller høj (rød) værdi af denne prædiktor. Observa- tionens placering på x-aksen angiver, hvor betydende denne observations prædiktor er. Jo længere mod højre på x-aksen (højere SHAP-værdi), desto mere betydende er prædikto- ren. Hvis vi ser på hjælpemidlet »ToiletforhøjereFaste«, ses det, at hvis en borger har lånt et sådan hjælpemiddel (rød farve), så er det mere sandsynligt, at han eller hun vil gen- nemføre sit forløb (observation til højre for midten). for en faldulykke. Det gør os i stand til at lave tre statistiske modeller, der med rimelig træfsikkerhed kan forudsige, om nye borgere i kommunens systemer vil kunne placeres i en af de disse tre kategorier. Vores foreløbige resultater er lovende, idet vi kan opnå en nøjagtighed på 70 procent, en præcision på 81 procent og en sensitivitet på 76 procent, når vores model skal udpege de borgere, som vil kunne gennemføre et træningsforløb. Nøjagtighed (accuracy) er et udtryk for antallet af prædikterede korrekte observationer, som faktisk er korrekte. Præcision (precision) er et udtryk for antallet af positive prædiktioner, som er korrekte. Sensitivitet (sensitivity) er et udtryk for antallet af faktiske positive observationer, som bliver prædikteret som værende positive. Hvis vi antager, at en borger gennemfø- rer sin træning, kan vores model med 79 procent nøjagtighed, 72 procent præci- sion og 79 procent sensitivitet sige, om borgeren vil få et signifikant forbedret funktionsniveau. Derudover opnår vores model 80 procent nøjagtighed, 60 pro- cent præcision og 60 procent sensitivitet, når den skal forudsige, om en borger vil komme ud for en faldulykke i løbet af de næste tre måneder. Respekt for privatlivet Vi undersøger tillige, hvordan man med vores data kan lave distribueret træning på en måde, så privatlivets fred respek- teres. Det sker dels ved at træne model- lerne distribueret på tværs af landets kommuner, så rå data på intet tidspunkt krydser kommunegrænsen. Samt ved at sløre de enkelte observationer i vores datasæt, så man ikke kan spore, hvor de kommer fra. Også her er resultaterne lo- vende, da vores forsøg har vist, at begge metoder kan anvendes med vores data og til vores specifikke cases. På nuværende tidspunkt anvendes kun data fra Aalborg Kommune. Men her i foråret 2021 vil vi udbygge vores model- ler med data fra flere deltagerkommuner, så det statistiske grundlag bliver endnu bedre. Derudover arbejder vi på at udvikle en moderne brugergrænseflade, som skal formidle resultaterne af vores modeller til sagsbehandlere i Aalborg Kommune. Hvis du vil vide mere om AIR, kan du besøge vores hjemmeside: projekter. au.dk/air/. | Maj 2021 | 19
Download PDF fil
Se arkivet med udgivelser af Medicoteknik her
TechMedias mange andre fagblade kan læses her