Under många år har de flesta kommuner sett en ökning av inflöden av förhandsbedömningar och inledda utredningar inom individ- och familjeomsorgen. Detta har medfört ett tryck på verksamheten som försvårat verksamhetsutveckling och utvecklingsarbete. Det finns ett behov av att övergå till en mindre grad av myndighetsutövning och öka andelen förebyggande åtgärder men det är ofta utmanande att avgöra vilka klienter som ska prioriteras för proaktiva insatser. Insatserna ges ofta för sent eller är inte tillräckligt precisa för att uppnå önskad effekt. Det tar också mycket tid att följa upp och göra urval för handläggare på grund av den stora mängden ärenden. AI en metod som kan hjälpa till att på ett mer effektivt hjälpa verksamheten att sortera i det stora urvalet av klienten och presentera information om personer som är i risk och som har en hög sannolikhet att i framtiden behöva mer resurskrävande åtgärd såsom en placering. I ett unikt projekt tillsammans med en större kommun utvecklat och tränat en modell för användning i praktiken.

Det finns ett nytt fokus i den reviderade Socialtjänstlagen, där kommunerna får ett klart uppdrag att arbeta mer proaktivt och med förebyggande insatser. Tidigare har det inte varit möjligt att använda aktualiseringar eller förhandsbedömningar utan att inleda en utredning inom ett datadrivet arbetssätt. Detta utgör en grundläggande aspekt för att använda data för tidig identifiering. Kunskapen om hur AI kan tillämpas praktiskt har ökat avsevärt under de senaste åren i samarbetet med Högskolan i Halmstad. Under mer än femton år har omfattande tidsserier strukturerat samlats in inom områdena barn, ungdom och familj, vilket är en förutsättning för att träna en AI-modell för specifika uppgifter. Det är otillräckligt att enbart använda en kommuns data för att träna en modell. Det är nu möjligt att kontinuerligt hämta, bearbeta och importera data samt köra en AI-algoritm i ett AI-system. Detta var inte möjligt tidigare.

Uppbyggnaden av modellen använder primärt åldersintervall 7-21 år, aktuella under 2025 inom barn, ungdom och familj med en rullande tidsserie med from 2012. Urval baserat på återkommande förhandsbedömningar och/eller utredningar med eller utan avslutad öppenvårdsinsats under en fem årsperiod. Återkommande behöver inte betyda datapunkter varje år.

Output från modellen:

Urval för individer med hög risk, medel risk, låg risk

Sannolikhet i procent för placering (familjehem, institution eller boende)

Sannolikhet för kostnadsökning i % (prediktion av höjd kostnadsnivå)

Tidsintervall innan placering kan bli aktuellt

Situationer där AI-modellen kan användas:

Mottagning: Använder AI modellen som automatiskt sammanställer historik och göra riskbedömningar av inkommande ärenden. Detta ger en snabb och objektiv överblick över vilka barn och ungdomar som kan behöva extra stöd och underlättar val av påbörjade av utredning eller insats

Förebyggande enhet: AI-modellen hjälper till att identifiera individer med förhöjd risk så att förebyggande insatser kan riktas till rätt personer i tid. Urvalet baseras på mönster i historiska data och gör det möjligt att agera innan problemen växer sig stora

Placeringsråd: Planeringsråd och ledningsgrupper använder AI-modellens insatser för att utveckla verksamheten för att lära av tidigare insatser. Modellen ger insikter om vilka åtgärder som varit mest effektiva och stödjer ett mer kunskapsbaserat arbetssätt