Intelligent forebyggelse: AI forhindrer sygdom

Baggrund

Et stigende antal danskere rammes af dårlig mental sundhed. Det har store konsekvenser for dem selv, deres pårørende, arbejdsgivere og samfundet. Ifølge en undersøgelse udgivet i marts 2024 af Arbejderbevægelsens Erhvervsråd koster stress alene 55 mia. kr. om året for samfundet, svarende til arbejdsudbuddet fra 55.600 fuldtidsbeskæftigede. PFA mærker også konsekvenserne af den faldende mentale sundhed: I 2023 hjalp PFA mere end 148.000 kunder til behandling eller rådgivning om deres sundhed, og antallet af henvendelser om stress og belastningsreaktioner er steget med mere end 50 procent på bare syv år.

Behandlingsindsatsen af stress og belastningsreaktioner er mere effektiv desto tidligere den påbegyndes. PFA har derfor satset på at skifte fra en reaktiv til en proaktiv tilgang til sundhed. Denne strategi involverer en række tiltag såsom tilbud om forebyggende forløb, og hjælp til at styrke trivslen på arbejdspladser. Der er også blevet investeret i at løfte det sundhedsfaglige niveau – andelen af PFAs sundhedsrådgivere, som har en sundhedsfaglig uddannelse, er på kun 2 år fordoblet fra 40 til 80 procent.

Det er centralt i PFAs sundhedsstrategi at hjælpe særligt udsatte kunder. Dette kunne eksempelvis være en kunde, der er i høj risiko for at blive langtidssyg, og som har fået hjælp til psykologbehandling. I sådan et tilfælde giver det mening at følge op på kundens behandling og sikre sig, at den har virket, inden man slipper kontakten. Udfordringen er at identificere hvilke kunder blandt de mange, der får hjælp hvert år, som er særligt udsatte og kan have behov for opfølgning og ekstra hjælp.

PFA har satset stort på at udvikle AI-kapabiliteter til at bringe de sundhedsfaglige ressourcer bedst muligt i spil. Det indebærer at anvende AI til at identificere relevante kunder, upskilling af sundhedsfaglige medarbejdere, og innovativ anvendelse af AI til at analysere effekten af de forebyggende tiltag. AI er derfor blevet en hjørnesten i PFAs forebyggelsesstrategi. Teknologien gør det muligt at målrette indsatser til dem, der har størst behov. Det medfører en bedre og mere relevant kundeoplevelse samtidig med, at det styrker forebyggelseseffekten. AI kan dermed bidrage til, at vi får mest mulig sundhed for pengene og afhjælpe det voksende samfundsproblem, hvor det offentlige har svært ved at imødekomme efterspørgslen på sundhedstilbud.

Løsning

PFA har udviklet et AI-værktøj til forebyggelse af lange sygdomsforløb. Når en kunde har fået behandling gennem PFA, kan værktøjet afgøre om kunden har forhøjet risiko for at blive langtidssyg. PFAs sundhedsfaglige personale kan bruge værktøjet til at finde udsatte kunder, og række proaktivt ud til dem med et omsorgsopkald. I et omsorgskald spørger sundhedspersonalet, hvordan det går, og om kunden har brug for yderligere hjælp. Resultatet af samtalen er ofte, at der opstartes et forebyggende forløb med henblik på at hjælpe kunden i mål med bedringen. Tilbuddet om forebyggende forløb er fuldstændigt frivilligt, og det har ingen negative konsekvenser for kunden at takke hverken ja eller nej.

Værktøjet bruger en XGBoost-model til at estimere sygdomsrisiko. Modellen anvender de data, som PFA opbevarer om kunden, såsom demografiske og geografiske data samt sundhedshistorik. Analyser har vist, at simplere metoder, som ikke bruger AI, giver dårligere estimater, og derfor ville overse kunder, som har brug for hjælp. Årsagen er, at simplere modeller har sværere ved at genkende komplekse vekselvirkninger mellem datapunkter. For eksempel kan en tidligere stressdiagnose påvirke sygdomsrisikoen forskelligt afhængigt af hvor langt tilbage i tiden den ligger.

XGBoost-modeller har også den fordel at de er relativt lette machine learning-modeller. Det resulterer i hurtigere modeltræninger, lavere strømforbrug, og mindre klimaaftryk – en modeltræning har et emissionsaftryk på omkring 25g CO2, svarende til ca. en halv kop kaffe.

Gennemsigtighed og tillid til modellen er vigtigt for PFA. Fairness-metrikken Equal Opportunity anvendes til at monitorere modellen for bias og Tree-SHAP-værdier anvendes til at forklare modellens estimater. Dermed kan sundhedspersonalet forstå, hvorfor en kunde vurderes som værende i forhøjet risiko, og selv bruge indsigter fra modellen i samtalen med kunden. Det er også muligt at vurdere effekten af de forebyggende tiltag. Her anvendes metoder fra krydsfeltet mellem AI og kausal inferens. Specifikt bruges Targeted Maximum Likelihood Estimation til at beregne hvordan et omsorgskald påvirker kunders risiko for langtidssygdom.

Forebyggelsesprojektet er et tværfagligt samarbejde på tværs af PFA. Især de sundhedsfaglige medarbejdere har været centrale i udviklingen af modellen, lige fra udvælgelsen af datapunkter til operationalisering. Derudover har både jurister, kommunikationsfolk og beslutningstagere været involveret. Der er løbende afholdt workshops og seminarer for at øge både den generelle forståelse for AI, og for den forebyggende indsats. Resultatet er en bred opbakning og interesse på tværs af organisationen.