Forsker: Kunstig intelligens kan løse mange opgaver i plejesektoren – hvis personalet bliver inddraget

Når en patient bliver udskrevet fra hospitalet og skal overgå til pleje i et andet regi – for eksempel plejehjem eller hjemmepleje – er information alfa og omega for en vellykket proces.

Der er oceaner af viden fra mange forskellige aktører, som skal koordineres, og det er en opgave, som kunstig intelligens (AI) kan løse effektivt.

Men mange frygter, at AI vil føre til en de-humanisering af plejeområdet. Den risiko er reel nok - men den kan undgås, hvis man inddrager brugerne og ikke overlader opgaven opgaven til datalogerne alene.

De digitale integrationssystemer i plejesektoren har nogle udfordringer, som nærmest skriger på AI-teknologier

Anna Scheider-Kamp
Adjunkt, Institut for Virksomhedsledelse, Syddansk Universitet

Den største udfordring er ikke, om teknologierne er gode nok – for det er de! - men om implementeringen af dem er god nok. Derfor er det nødvendigt med en hands-on analyse af den arbejdskontekst, som AI-værktøjerne skal fungere i.

Og her må kvalitative sundhedsforskere som for eksempel antropologer ind og hjælpe datalogerne med at udvikle nogle løsninger, som vil fungere i praksis og være en reel hjælp til det pressede sundhedspersonale – og ikke endnu en tidsrøver.

Information er ikke kun data
Som antropolog har jeg afprøvet den idé i et forskningsprojekt, hvor vi samarbejdede med dataloger om at udvikle et AI-system til at håndtere information i forbindelse med overgangen fra hospital til pleje i et andet regi.

Information er altafgørende for at få integrationen af plejeindsatsen til at fungere – og udfordringerne har både noget med mængden og med kvaliteten af informationen at gøre.

Og mens dataloger er superdygtige til at håndtere store datamængder, er det ikke nødvendigvis deres spidskompetence at vurdere kvaliteten af information – for den er situationsbestemt og bundet til specifikke sociale og organisatoriske kontekster.

Der er således flere forskellige målgrupper: Visitatorer, der skal vurdere behovet og oversætte plejeplanerne til handlingsplaner, samt sygeplejersker og sosu-assistenter, som skal tage sig af plejen af borgeren enten på et plejehjem eller i egen bolig.

Systemet er fyldt med irrelevant information
Information er en forudsætning for en vellykket proces – men information er kun noget værd, hvis plejepersonalet kan bruge den. Hvis informationen er for gammel eller for ny, er den ikke relevant for plejepersonalet.

De søger information, som skal i anvendelse her og nu – al anden information stjæler bare tid fra den egentlige pleje.

Bidder af information lander steder, hvor de ikke hører hjemme, mens de mangler der, hvor de faktisk burde være

Anna Schneider-Kamp
Adjunkt, Institut for Virksomhedsledelse, Syddansk Universitet

Men det eksisterende, digitale integrationssystem er ikke i stand til at analysere indholdet i rapporterne, og derfor er de fulde af uaktuel, og dermed også irrelevant information.

En anden kilde til forvirring hos personalet er, at bidder af information lander steder, hvor de ikke hører hjemme, mens de mangler der, hvor de faktisk burde være. Og da det er lidt af en opgave at skimme de lange rapporter, er sådan noget et stort irritationsmoment, som stjæler meget tid fra selve plejen.

Endnu et typisk problem, som vores tætte samarbejde med plejepersonalet afdækkede, er, at samme information ofte findes i flere varianter, fordi hospitalspersonalet ikke har tid til at slette og redigere. Aben lander hos plejepersonalet, som skal bruge tid på at finde ud af, hvad der er den seneste version.

Det er bare nogle af eksemplerne på helt konkrete og ret vigtige problemområder, som dataloger ikke er uddannet til at identificere, men som AI er et meget velegnet værktøj til at løse. Igen: Det er ikke teknikken, men implementeringen, der er udfordringen.

Tre konkrete AI-løsninger
Her et par eksempler på løsninger, som det ikke burde være svært at realisere.

• Placér informationen dér, hvor den skal bruges: En AI-model kan lære, hvilken information brugerne forventer at finde i de forskellige rapporter, og dermed kan den foreslå den bedste placering af informationen.
  
  Kombineres den med en indikator for informationens nytteværdi, kan modellen også fortælle, hvad indholdet skal være for at være relevant. Begge modeller kan desuden give real-time feedback og under udarbejdelsen af rapporten for eksempel foreslå, at noget bliver flyttet til en anden sektion.
  
  
• Målret informationen til den konkrete bruger: Når en AI-model bliver fodret med data om mange forskellige plejepersoners interaktioner med konkrete rapporter, hvor de for eksempel har markeret, hvilken relevans de specifikke informationer har for dem, kan den trænes til at systematisere, udvælge og præsentere information fra rapporterne, som er målrettet en konkret brugergruppe.
  
  Det vil både mindske mængden af information, som den enkelte skal tygge sig igennem og bidrage til at gøre informationen relevant og nyttig.
  
  
• Ryd op i de mange versioner: Problemet med de mange udgaver af rapporterne, kan løses med allerede eksisterende AI-modeller, som blot skal fintunes til sundhedsområdet. Løsningen er en AI-model, som ikke beregner forskellene i en tekst ud fra syntaks, for eksempel i form af ændrede bogstaver, men i stedet afkoder den semantiske lighed i teksternes indhold.
  
  Eksempelvis er sætningerne ’patienten kan stå op uden hjælp’ og ’den ældre borger behøver ikke hjælp til at komme op at stå’ syntaktisk vidt forskellige, men semantisk helt ens. En AI-model baseret på semantik vil kunne løse problemet med de mange versioner af samme information, som plejepersonalet slås med hver dag.

Den berygtede ’de-risiko’
De digitale integrationssystemer i plejesektoren har nogle udfordringer, som nærmest skriger på AI-teknologier.

Men hvis man vil sikre, at løsningerne inddrager både det sundhedsfaglige, det menneskelige og det tekniske aspekt, så er det nødvendigt at involvere tre typer af fagpersoner i processen:

Det sundheds- og plejepersonale, som skal bruge systemet, de kvalitative forskere, der kan analysere den konkrete arbejdskontekst, som den tekniske løsning og personalet skal fungere sammen i – samt selvfølgelig de dataloger, som kan udvikle AI-modellerne.  

Når de konkrete brugere bliver involveret helt fra starten, er det muligt at udvikle løsninger, som matcher deres behov meget præcist.

Samtidig reduceres den berygtede ’de-risiko’, fordi sådan en brugerdreven udviklingsproces også er et værn mod de-personalisering og de-humanisering, da den tager udgangspunkt i at understøtte de faktiske plejeprocesser – ikke at erstatte dem!