Helsedata kan gi store gevinster til helsevesenet i form av digitale verktøy. Men hva menes egentlig med helsedata, og hvordan kan vi bruke det?

– Datadrevne tjenester benyttes av stadig flere bransjer, og endelig begynner også helsesektoren å forstå fordelene, sier Håkon Lorentzen, teknologisjef i Deepinsight.

Fordelene med et mer datadrevet helsevesen er blant annet økt innsikt i medisinske sammenhenger, mer effektive arbeidsdager for helsepersonell, bedre ressursbruk og viktigst av alt – bedre pasientbehandling.

Tre Deepinsight-ansatte jobber sammen med data på skjerm.
KREVER DATATILGANG: Grunnmuren for å utvikle tidsbesparende helseverktøy er tilgang på helsedata av høy kvalitet, men hva er det egentlig?

– Helsedata er et begrep som favner bredt. Det er lett å tenke at helsedata kun inkluderer det som er skrevet i ulike helseregistre om pasienters sykdomsforløp. I realiteten handler det om langt mer, sier Håvard Thøgersen, driftsansvarlig i Deepinsight.

Administrative data – drift og planlegging

Vi deler ofte helsedata inn i to hovedkategorier: kliniske data og administrative data. I tillegg er registerdata en viktig underkategori.

Administrative data forklarer pasientens reise gjennom for eksempel et sykehus. Det vil si data som viser når pasienten var der, hvilke avdelinger pasienten var innom, hvem de møtte og hva som ble gjort. Både planleggingen i forkant, og hva som faktisk skjedde. Slike data finner vi i ulike digitale systemer, for eksempel DIPS.

Med tilgang på administrative data kan Deepinsight gi ansatte et beslutningsgrunnlag for planlegging av pasientbehandling. Det vil bidra til mer fornuftig ressursbruk i helsevesenet.

Håvard og en Deepinsight-kollega jobber ved hver sin arbeidspult.
ANONYM DATA: Administrative data er mindre sensitive, og er derfor enklere å jobbe med for å bygge datadrevne tjenester.

Kliniske data ­– pasientopplysninger

Kliniske data forteller pasientens medisinske historie og helsepersonellets vurderinger. Slike data finnes blant annet i pasientjournaler, fastlegesystemer, hjemmemonitorering, testresultater og lab-rapporter. I lab-rapporter finnes blant annet verdifull genetisk data.

Heldigvis finnes det meste av kliniske data digitalt. Utfordringen med å ta det i bruk er dårlig struktur. Det brukes ulike terminologier, mye er subjektivt og det er en stor andel fritekst.

Et godt eksempel er pasientjournalsystemet. Her er det mye verdifull data, men i dag brukes det mer som et kommunikasjonsverktøy der helsepersonell skriver notater til hverandre.

Det eksisterer også ulike spesialiserte systemer som lagrer manuelt og som må ses på med algoritmer, for eksempel røntgenbilder.

– Vår viktigste jobb er å systematisere eksisterende data for å lage datasett av høy kvalitet. Skape orden i kaos, rett og slett, forklarer Severin Sjømark, Chief Data Officer i Deepinsight.

En Deepinsight-ansatt viser frem arbeid på en whiteboard til en kollega.
INNOVASJON: Bedre tilgang på strukturerte datasett med kliniske data vil være til stor nytte for helsepersonell og bidra til økt innovasjon i helsesektoren.

Registerdata – strukturerte kliniske data

Registerdata er i hovedsak kliniske data fra de mange helseregistrene vi har. I tillegg til nasjonale helseregistre og medisinske kvalitetsregistre finnes det flere mindre kvalitetsregistre, biobanker og helseundersøkelser som kan være svært verdifulle.

Eksempler på helseregistre er Norsk pasientregister, Kreftregisteret og Reseptregisteret.

Data hentet fra helseregistre er som regel strukturert og detaljert. Registrene brukes mye til forskning, spesielt for å øke forståelsen av sammenhenger, eller epidemiologi. Det vil heve kvaliteten på diagnostikk og behandling av sykdom.

Hva kan vi bruke helsedata til?

Dersom helsedata systematiseres og struktureres, vil det i større grad bli mulig å utvikle verktøy basert på maskinlæring som kan bidra til å automatisere arbeidsprosesser i helsevesenet. Det inkluderer matching av pasienter med ressurser, utfylling av journaler og bildeprosessering. Slike verktøy vil føre til mer effektiv drift og raskere diagnostisering.

Kvalitetsdata kan både bygges og analyseres med maskinlæring og deretter brukes i forskning og kliniske studier. En slik metode fører til forskning av høy kvalitet og reduserer utviklingstiden av datasettene betraktelig.

– En doktorgradsstipendiat bruker i dag store deler av doktorgraden på å lese gjennom og strukturere data til forskning. Det kan maskinlæring endre, forteller teknologisjef Lorentzen.

Hvordan få tak i helsedata?

For at Deepinsight skal lykkes med å utvikle helseverktøy basert på data, er direkte tilgang på ulike databaser med journaler, pasientdata og administrative data nødvendig. Det er strenge juridiske og tekniske krav for deling og bruk av slik helsedata, og som dataeiere er det helseforetakene som er ansvarlige for at delingen skjer på en sikker måte.

Daglig leder i Deepinsight, Olav Haugå, og Håvard Thøgersen smiler til kamera med medisinsk direktør i DIPS, Thomas Smedsrud.
SAMARBEID ER VIKTIG: Medisinsk direktør i DIPS, Thomas Smedsrud (i midten), deler visjonen til Deepinsight om å forbedre helsesektoren med datadrevne løsninger. Her med daglig leder Olav Haugå (venstre), og Håvard Thøgersen (høyre).

– Jeg tror fortsatt det er et stykke igjen til at datadrevne verktøy er standard i helsevesenet. Kombinasjonen av tidkrevende prosesser og strenge regler rundt bruk av helsedata gjør det komplisert, sier Thøgersen og avslutter:

– Vi har et langsiktig perspektiv. Mye vil skje de neste ti årene. Pasientreisen og arbeidsdagen til helsepersonell vil være en helt annen. Det skal Deepinsight være en viktig del av.

Vil du vite mer om hvordan Deepinsight jobber med helsedata?
Kontakt oss gjerne!