Hur kan vi förbereda våra organisationer och våra system för att ta emot avancerad teknik såsom AI? Veckans bloggförfattare, Monica Winge och Paul Johannesson från Institutionen för data- och systemvetenskap, Stockholms universitet, föreslår att vi börjar med att städa.
Trevlig läsning!Som vanligt står skribenten själv för innehållet i inlägget. Kommentera gärna på vår hemsida eller i sociala medier.
Begreppsstädning, struktur och AI
– Kvalitativa data behövs för att möjliggöra effektiv användning av AI
Monica Winge, PhD, Institutionen för data- och systemvetenskap, Stockholms universitet
Paul Johannesson, professor, Institutionen för data- och systemvetenskap, Stockholms universitet
Det finns många värdefulla tillämpningar av AI inom vård och omsorg. Exempel är AI för att förbättra diagnostisering av sjukdomar, skapa personlig medicinering och behandling, och planera vård- och omsorgsprocesser.
Under senare tid har generativ AI fått intressanta tillämpningar inom vård och omsorg, som att generera syntetiska medicinska bilder för utbildning och forskning, skapa textbaserade medicinska rapporter och dokumentation, samt för att simulera och förutsäga sjukdomsförlopp.
Men för att AI ska kunna bli riktigt värdefull inom vård och omsorg krävs att vårdinformationen är korrekt och av hög kvalitet. Både kliniska data, laboratorieresultat och administrativa data behöver vara pålitliga för att AI-systemen ska kunna ge korrekta och användbara resultat.
Ett exempel på hur vårdinformation med låg kvalitet kan påverka användningen av AI är att om en algoritm tränas på felaktiga eller bristfälliga data så kan det leda till felaktiga diagnoser eller behandlingsrekommendationer.
(AI-genererad bild av CHATgpt)
För att undvika sådana fallgropar behövs en genomgång av de system som hanterar vårdinformation. Det innebär att man måste städa upp i begreppsvärlden, standardisera termer och se till att all information håller hög kvalitet. I dagens vårdinformationssystem finns det ofta en djungel av ostrukturerad data och olika sätt att dokumentera samma saker. Det kan handla om mallar som är strukturerade och formulerade på olika sätt med olika termer men som beskriver samma saker. Det kan också handla om helt ostrukturerad data som skrivs i löpande text och där olika människor kan uttrycka samma sak på helt olika sätt.
Begreppsstädningen innebär att man identifierar de viktigaste begreppen som följer patientens process oavsett organisation, kvalitetssäkrar dessa begrepp, samt ser till att informationen om begreppen följer gemensamma språk, strukturer, arkitekturer och standarder.
Det är viktigt att begreppsstäda av flera anledningar:
- För det första, när det finns en stor mängd termer och begrepp som används inom vårdsektorn, kan det leda till förvirring och missförstånd om de inte är enhetligt definierade och standardiserade. Det kan i sin tur resultera i felaktig tolkning av information och kommunikationsproblem mellan olika vårdgivare och system.
- För det andra, när det finns ett stort antal termer och mallar i ett system, är risken för dubbeltydighet och inkonsekvens hög, vilket gör vårdinformationen mindre precis och tillförlitlig.
Genom att städa upp i röran av begrepp, termer och mallar kan man skapa en enhetlig och strukturerad miljö där alla inblandade parter kan förstå och använda informationen på ett enhetligt sätt. Det underlättar också för användningen av AI, eftersom enhetligt definierade termer och begrepp behövs för att träningsdata och algoritmer ska kunna fungera effektivt och ge tillförlitliga resultat.
Sammanfattningsvis behövs begreppsstädning för att främja enhetlig och korrekt användning av data, förbättra kommunikationen och samarbetet inom vården, samt för att möjliggöra en effektiv implementering av avancerade teknologier som AI.