Sessions

Läkemedelsrelaterade problem är en vanlig orsak till sjukhusinläggningar och dödsfall. En del 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 läkemedelsrelaterade problem. I ett pågående forskningprojekt undersöker vi varningarnas kliniska relevans och faktorer som påverkar risken att drabbas. 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. 

Att kunna följa upp och övervaka biverkningar på populationsnivå är viktigt men svårt. Ibland registreras misstänka biverkningar i strukturerad form, eller rapporteras till Läkemedelsverket, men långt ifrån alltid. Genom vårt forskningsprojekt vill vi undersöka hur språkmodeller, som använder olika former av artificiell intelligens, kan användas att identifiera misstänkta biverkningar i den kliniska texten (ostruktuererad data) ifrån journalsystem. Ett slutligt mål med projektet är att kunna identifiera och extrahera biverkningar från fritext till ett strukturerat format som lämpar sig att använda i maskininlärningsmodeller tillsammans med annan  strukturerad data.

Få inblick i banbrytande verktyg utvecklat av forskare i samarbete med patienter och industrin. Verktyget växte fram under ett utvecklingsprojekt (Följsamhetsprojektet) där forskare, patienter och vården samlades för att hitta lösningen på bristande följsamhet till behandling. Verktyget ger inte bara vården värdefull information om patienten utan har även hittat vägar som förändrar beteenden, främjar egenvård och ger något värdefullt tillbaka till patienten.