Läkemedelsrelaterade problem är en vanlig orsak till sjukhusinläggningar och dödsfall. Många problem med läkemedel kan förebyggas genom att använda kliniska beslutsstödsystem inom hälso- och sjukvården. I Sverige har vi Janusmed kunskapsdatabaser som används som beslutsstöd för att upptäcka potentiella läkemedelsinteraktioner, biverkningar och olämplig dosering. Det är kunskapsdatabaser av hög kvalitet som kontinuerligt uppdateras av experter baserat på ny kunskap, men precis som andra liknande beslutsstöd så kan det bli ett problem med för mycket varningar som kan bidra till en varningströtthet som i sin tur kan leda till att viktiga varningar missas. I ett pågående forskningprojekt undersöker vi varningarnas kliniska relevans och faktorer som påverkar risken att drabbas. För att göra detta använder vi hälsodata från 10 år där vi kan följa läkemedelsanvändning och kliniska utfall hos över 200 000 patienter över tid. Som en del i projektet tränar vi även maskininlärningsmodeller för att se hur väl vi kan förutsäga vilka patienter som har hög risk att drabbas av läkemedelsrelaterade problem genom att kombinera Janusmeds algoritmer med ytterligare faktorer. Forskningsprojektet genomförs i ett tvärvetenskapligt team med bred kompetens inom bland annat klinisk farmakologi, farmakoepidemiologi, datavetenskap, machine learning, statistik samt visualisering och ger underlag för hur vi kan få bättre kliniska beslutsstöd i framtiden.