EMDAI: Maskininlärningsbaserat beslutsstöd vid Sjukvårdens Larmcentral

Syfte och mål

Projektet har uppfyllt målen att utveckla och validera maskininlärningsmodeller för bruk vid Sjukvårdens Larmcentral, att utveckla ett mjukvarupaket med öppen källkod för att implementera de framtagna modellerna, samt att integrera dessa i ett användargränssnitt i utlarmningssystemet. För att komma tillrätta med datakvalitetsproblem som framkom under projektets förberedelsefas implementerades en uppdatering i maj 2019, som fick god effekt på datakvaliteten. En randomiserad prövning av metoderna genomgår nu etikprövning.

Resultat och förväntade effekter

I projektet har vi utvecklat riskbedömningsmodeller, publicerat en validering av dessa i vetenskaplig tidskrift, utvärderat bedömningsprocessen i ytterligare en artikel, och tillgängliggjort verktygen som vi använder för att implementera modellerna med öppen källkod. Arbetet med att implementera verktygen i kliniken försenades på grund av datakvalitetsproblem, men fortskrider nu aktivt.

Upplägg och genomförande

Projektets upplägg förändrades i och med att Uppsala Kliniskt Forskningscentrums del i projektet istället genomfördes av Ambulanssjukvården i Region Uppsala. Verktygets implementering i kliniskt bruk försenades då en uppdatering i beslutsstödet för att åtgärda datakvalitetsbrister infördes, vilket innebar att ytligare data behövde samlas in. De kvalitativa undersökningarna kring arbetsprocessen ledde även till att interventionen arbetades om för att bättre uppfylla verksamhetens behov. Övriga delar jag projektet genomfördes enligt projektplanen.

Externa länkar

openTriage: A platform for deploying machine learning models in clinical decision support systems Using trigger tools to identify triage errors by ambulance dispatch nurses in Sweden: an observational study Projektets hemsida vid Uppsala Center for Prehospital Research A validation of machine learning-based risk scores in the prehospital setting