- Det vil vi gerne forklare. Og det gør vi ved at vise, hvad der sker, hvis man skubber linjen op og ned. Rykker vi den opad, bliver flere af de grønne rigtige. Rykker vi linjen nedad, bliver flere af de røde rigtige. Så det er et trade-off, hvor vi gerne vil have høj følsomhed med et minimum af falsk positive, forklarer Ole Hejlesen. Bruger eksisterende data Algoritmen til KOL-patienterne kører på data fra eksisterende patientovervågning og præsenterer alarmer med overblik over udviklingen i for eksempel iltmæt- ning og blodtryk. Det lader sig gøre, fordi systemet bygger på kendte variable, ligesom man kender fordelingens vigtig- hed for prædiktionen. Med få tryk på skærmen fremkaldes en mere detaljeret rapport, som for eksem- pel kan forklare, at der er en faldende tendens i iltmætning og blodtryk, og at der aktuelt er en øget frekvens af forvær- ringer i gruppen af KOL-patienter. Har man behov for dybere indsigt, kan man også få sat tal og procenter på. - Så det er noget, der kan forklare sig - både over for sygeplejersken og lægen, som skal bruge det, og faktisk også over for patienten, siger Ole Hejlesen, som har store forventninger til teknologien. - Vi er meget spændte på at se resulta- terne af det her studie hen over foråret. For én ting er, at vi kan prædiktere med høj præcision og meget få falske positive. Men hvad betyder det i virkeligheden? Kan vi forhindre nogle af de her KOL- patienter i at komme på sygehuset? Medicinkrævende KOL-patienter (de røde krydser) har mange fællestræk. Men når man forsøger at adskille to patientgrupper (den blå linje), vil nogle typisk havne på den forkerte side. (Grafik: Thomas Kronborg Larsen). i hjemmeplejen. Ud fra eksisterende data vil man - ud fra informationer fra en periode på 14 dage - forudsige, om patienten får brug for akut indlæggelse. Og man vil have tre dages varsel. - Da jeg startede på det, tænkte jeg: Det her bliver svært. Det er helt uspecifikt. Vi kan jo ikke se, om de brækker hoften eller får en forværring af en kronisk sygdom. Det kan være hvad som helst, fortæller Ole Hejlesen. Modellen bygger på en bred vifte af data - fra sygdomsdata over registrerin- ger fra hjemmeplejen til oplysninger fra Danmarks Statistik. - Mange gange tester man sin model på data, man har »snydt« lidt med, fordi man mere eller mindre har trænet på det - nogle gange direkte trænet på det, og andre gange »indirekte« ved en såkaldt krydsvalidering. Vi gjorde det på den eneste rigtige måde - nemlig ved at tage 30 procent fra som testdata og sige: Dem rører vi ikke ved, vi lægger dem i skuf- fen, indtil vi er færdige, forklarer Ole Hejlesen. De resterende 70 procent data køres så gennem en »ensemble-model«, hvor en række forskellige modeller »blandes sammen« og »dækker af for hinanden«. - Det minder om deep learning netværk, som kan se meget komplekse situationer og komme op med en god klassifikation. Det, vil jeg påstå, kan man også, hvis man tillader alle mulige modeller at byde ind, hvor de hver især er stærke - og så dækker af for de svage steder. Man får så et resultat op - og vurderer modellen ved at hive de 30 procent urørte testdata op af skuffen og se på modellens perfor- mance, forklarer Ole Hejlesen - og tilfø- jer, at dette kræver store datamængder. »Under kurven« Succesen kan måles ved at kigge på det såkaldte »areal under kurven« (AUC). Det er en klassisk matematisk øvelse, hvor målet er at komme så tæt som muligt på 1. Og resultatet - arealet under kurven - virker næsten for godt til at være sandt: - Her kan I så se resultatet: Vi har et areal under kurven på 0,99. Vi har ledt som desperate efter fejlen, men vi kan ikke finde den. Så hvis der er nogle, der vil købe den her model, kan I lige snakke med mig i pausen. Vi har ikke inddraget nogen eksperter. Vi har bare ladet maskinen bestemme. »The proof is in the pudding«, som jeg plejer at sige. Forudser indlæggelser Potentialet for disse transparente AI-mo- deller stopper ikke ved KOL-patienter. På landsmødet løftede Ole Hejlesen sløret for et helt nyt projekt, hvor målet er at forudsige indlæggelser blandt ældre AI-baseret beslutningsstøtte kan forbedre behandlingen af KOL-patienter - og måske helt forhindre, at de kommer på sygehuset. (Modelfoto). | December 2021 | 17
Download PDF fil
Se arkivet med udgivelser af Medicoteknik her
TechMedias mange andre fagblade kan læses her