Skriver jeg ut mer antibiotika enn de fleste av kollegene mine? Har jeg flere pasienter med kols enn det en gjennomsnittlig fastlege har? Forskriver jeg mer benzodiazepiner enn andre fastleger?
I en studie, publisert i BMC Medical Information and Decision Making i fjor, har norske forskere testet ut et dataverktøy for kvalitetsforbedring i helsetjenesten – et verktøy som nettopp kan gi svar på disse spørsmålene.
Det spesielle med teknologien er at data fra pasientjournaler ved alle legekontorene kan kobles sammen, samtidig som journaldataene forblir på serveren ved hvert fastlegekontor – og fastlegene og pasientene ikke er identifiserbare.
Verktøyet kan brukes ved alle typer elektroniske pasientjournaler i helse- og omsorgstjenesten.
Bedre muligheter
I studien er løsningen prøvd ut blant 21 fastleger. Fra elektroniske pasientjournaler (EPJ) ble det hentet ut data på antibiotika-forskriving for seks ulike typer luftveisinfeksjoner i tidsrommet 2015-2018. Tilbakemelding til hver enkelt fastlege foregikk via en passordbeskyttet rapport tilsendt på mail. Rapporten viste andelen pasienter hvert år som fikk forskrevet antibiotika for den enkelte diagnose samt en graf på hvor fastlegen lå sammenlignet med gjennomsnittet for alle legene i studien.
– Vi tror det er viktig for helsearbeidere å kunne få en tilbakemelding som bare går til dem og som forteller hvor de befinner seg i landskapet. Dagens systemer krever at legene er åpne om hvordan de gjør ting, hva de forskriver av medisiner, hvordan de håndterer ulike tilstander. Når man får tilbakemelding på egen praksis og ser at den avviker fra hvordan kolleger forholder seg, er det lett å havne i en forsvarsposisjon. Og det er kanskje ikke et godt utgangspunkt for læring og endring, sier Gustav Bellika, professor ved Nasjonalt senter for e-helseforskning.
Han er sisteforfatter av studien og leder av prosjektet innen lærende helsetjenester – et prosjekt som har fått støtte fra Forskningsrådet.
Bellika viser til Charles P. Friedman, en av foregangsmennene bak lærende helsetjenester.
– I en kommentar i Science Translational Medicine i 2010 skriver Friedman at det tar 17 år før ny kunnskap er validert til den implementeres i klinisk praksis. Vi ønsker å se en helsetjeneste som raskere bruker egne data for å kunne omstille seg. Med de nye mulighetene med distribuert dataanalyse, har vi bedre muligheter for å kunne drive kvalitetsarbeid, poengterer UiT-professoren.
Metoder for dataanalyse
Distribuert dataanalyse er betegnelsen på slike data som forblir lokalt der de ligger lagret – samtidig som anonymisert informasjon fra flere datakilder kan hentes ut på en måte som ivaretar både personvernet og datasikkerheten. Bruken av denne typen dataanalyser er en trend internasjonalt og er også viktig i arbeidet med å forbedre nøyaktigheten ved kunstig intelligens.
Dataverktøyet som er prøvd ut i den norske studien er basert på en personvern-algoritme som seniorforsker Kassaye Yitbarek Yigzaw ved Nasjonalt senter for e-helseforskning har utviklet. Han er førsteforfatter av studien, og disputerte på metoden i 2017. Gustav Bellika understreker at metoden sikrer at ingen vet hvilke helsepersonell og pasienter som bidrar med data.
– Tallet som ender opp hos den såkalte koordinatoren som kobler sammen data fra pasientjournalene, skjer på en slik måte at koordinator heller ikke vet hvem som bidrar med hva av data. Alt blir av-identifisert. Prosjektet vårt var å lage en verktøykasse for feedback til helsearbeidere, og vi hadde en hypotese om at det å ivareta personvernet til helsearbeidere er et viktig element når de skal få informasjon om egen atferd sammenlignet med andres. Vi er nå i gang med en oppfølgingsstudie blant fastlegene for å finne ut om hypotesen vår stemmer.
Gjennomsnittstall
Foreløpig er dagens beregningsprotokoll – algoritme – for å sammenligne egen behandlingspraksis begrenset til å se om man ligger over eller under gjennomsnittsverdiene for andre leger/helsearbeidere.
– Kanskje gir ikke dette nyttig informasjon til legene, så vi ønsker å lage en mer detaljert tilbakemelding som viser akkurat hvor de ligger sammenlignet med kolleger. Vi har jobbet med å få frem persentiler en stund, men er ennå ikke helt i mål, forteller Bellika.
Inndeling i persentiler (prosentiler) betyr at hvis du for eksempel ligger på 30. persentil når det gjelder forskriving av antibiotika for en gitt tilstand, betyr det at 30 prosent av fastlegene befinner seg her.
Understøtter forskning
Professor i allmennmedisin og fastlege i Alta, Peder A. Halvorsen, er medforfatter på studien.
Hvis vi også kan bruke verktøyet til å vise at pasientbehandlingen blir bedre over tid, tror jeg det kan være motiverende, sier professor i allmennmedisin og fastlege Peder A. Halvorsen. Foto: Privat
– Hvor nyttig er denne typen tilbakemelding for dere fastleger?
– Det er kanskje litt tidlig å si, men et verktøy som gjør det enkelt for fastlegene å hente ut data fra egen praksis og sammenligne seg med andre praksiser, tror jeg kan være en vesentlig forutsetning for å få fastleger til å engasjere seg i kvalitetsforbedringsarbeid.
– Hva skal ellers til for å kunne bruke dataene på best mulig måte til kvalitetsforbedring?
– Fastlegene trenger tid til å reflektere over denne type data, helst sammen med kolleger. Det kan være mange grunner til praksisvariasjon, for eksempel at pasientlistene varierer med tanke på alder, kjønn og diagnoser. Kanskje oppstår spørsmål som krever flere data, og hvis verktøyet gjør det enkelt å besvare slike spørsmål der og da, er vi et godt stykke på vei. Hvis vi også kan bruke verktøyet til å vise at pasientbehandlingen blir bedre over tid, tror jeg det kan være motiverende, svarer Halvorsen og føyer til:
– Dette er et verktøy som også kan understøtte klinisk forskning i allmennmedisin. En ting er at verktøyet trekker ut data som kan forskes på, men det kan også brukes i planlegging og gjennomføring av kliniske studier. Forskningsbasert kunnskap fra vårt eget praksisfelt er jo en grunnleggende forutsetning for kvalitetsforbedring – og dette trenger vi mer av.
Snow-teknologien
Dataanalyse-løsningen som er prøvd ut blant fastlegene består blant annet av en såkalt snow-boks. Dette er en mini-server som kobles til nettverket på legekontoret. Hver natt hentes data ut fra pasientjournalene, ut ifra en definert variabelliste. For å avidentifisere og bevare anonymiteten på alle data, benyttes algoritmen som Yigzaw har utviklet.
En koordinatorserver aggregerer – kobler sammen – dataene, og tilbakemeldingen til den enkelte fastlege produseres lokalt.
– Dataene som benyttes er anonyme og kildedataene blir liggende på serveren til de enkelte legekontorene. Det er heller ikke noe krav om å søke REK eller personvernombud/Datatilsynet om lov til å bruke anonyme data. Men legekontorene må etterleve GDPR-kravene, sier Bellika.
Leverandør-samarbeid
– Hva må til for at bruken av denne metoden kan breddes ut?
– For at alle leger skal kunne ta i bruk systemet vårt, må vi ha et samarbeid med deres EPJ-leverandør for å trekke ut informasjon fra journalene. Dette er et spørsmål om ressurser og om leverandørenes vilje til å gi tilgang. Jeg håper leverandørene vil bidra til muligheten for kvalitetsforbedring. Det er viktig at vi har så mye data som mulig, og jeg tror nok at også legene må presse på, sier Bellika, som retter en stor takk til dem som har stilt opp i prosjektet og gjort denne typen forskning mulig.
Snow-teknologien som er prøvd ut i studien er den samme som benyttes i PraksisNett, en infrastruktur for forskning med data fra norsk allmennpraksis. Bellika er leder av Snow-teamet.
– En god del av systemet vi beskriver i studien vår er blitt brukt til å løse flere problemstillinger i PraksisNett, men det ligger enda flere muligheter i systemet som kan tas i bruk. Det som må til for å bredde dette, er folk og lønnsmidler. En snow-boks koster cirka 5000-6000 kroner, og kostnaden for systemet som trengs på hvert legekontor, er på cirka 2000 kroner. I tillegg kommer midler til teamet som skal drifte et slikt system.
Zero trust
Hvis dataene fra pasientjournalene skal kombineres med andre typer eksterne data eller registre, vil det bli utfordrende å bevare anonymiteten til helsepersonell og til pasientene.
– Dette kan bare løses ved at eksterne data sendes til legekontoret, og dette finnes det nok ennå ikke løsninger for. Metodene som brukes i dag for å kombinere journaldataene med eksterne data, baserer seg på at legekontoret gir fra seg sine egne data. Og da mister de kontrollen med hvordan disse dataene brukes – nettopp det vi unngår med løsningen vår, sier Bellika og legger til:
– Vi mener at journaldata må passes godt på. I USA viser det seg at over 80 prosent av befolkningens helseopplysninger har vært eksponert. Det amerikanske National Security Agency foreslår en ny strategi for beskyttelse av sensitive data og systemer, en såkalt Zero trust strategi. Utgangspunktet for strategien er at helseinstitusjoner må være innstilt på å bli hacket, og må arbeide for å redusere konsekvensene av slike sikkerhetsbrudd. Derfor bør vi bygge mindre og mer robuste systemer – og ikke Titanic-skip.
– Hvordan passer snow-teknologien inn i store dataløsninger for felles pasientjournal, som Akson og Helseplattformen?
– Hvis vi tenker på robustheten til tjenesten dersom systemet blir utilgjengelig, så er størrelsen på systemet lik størrelsen på havariet. Den versjonen av Akson som ble stoppet var veldig stor – man planla en Titanic-løsning. Da Titanic gikk på et isfjell, gikk alt ned. En strategi med ulike systemer der dataene ligger fordelt flere steder, er en mer robust strategi. Men Snow-systemet kan levere uavhengig av hvor mange leverandører av journalsystemer som finnes, om dataene er lagret hos kommunen, på legekontoret eller i en skybasert løsning, svarer Bellika.
Sykdomsovervåking
Foruten å være et verktøy for kvalitetsforbedring og forskning, har Snow-teknologien også vært brukt for å hente ut data for sykdomsovervåking og beredskapsplanlegging. Bellika forteller at allerede i 2007 startet Universitetssykehuset Nord-Norge og daværende Nasjonalt senter for samhandling og telemedisin et forskningsprosjekt kalt Snow symptombasert sykdomsovervåking.
– Vi hentet ut data fra mikrobiologiske laboratorier ved sykehusene i Helse Nord, Helse Midt og hos Fürst, og hver uke sendte vi ut oversikt over smittsomme sykdommer til fastleger i kommunene i de to regionene. Tjenesten var oppe i ni år, men ble lagt ned på grunn av manglende finansiering. Det er jo litt ironisk å tenke på at koronakommisjonen akkurat har konkludert med en for dårlig beredskap i Norge til å følge med på smitte i populasjonen under pandemien, bemerker Gustav Bellika.
Les mer om distribuerte dataanalyser i Direktoratet for e-helse sin rapport «Digitale utviklingstrekk 2021, e-helse trender» her.