I Sverige drabbas årligen cirka 80 000 patienter av vårdskador, vilket motsvarar ungefär en skada vid vart tionde vårdtillfälle och medför kostnader på omkring åtta miljarder kronor. En central del i arbetet med att förebygga vårdskador är att systematiskt registrera och analysera händelser där något har brustit i vårdkedjan.

I Region Västmanland registreras cirka 15 000 avvikelser per år, varav ungefär hälften är patientrelaterade. I dag hanteras dessa i huvudsak manuellt, vilket är resurskrävande och gör att mönster och återkommande risker inte alltid upptäcks i tid. Tillsammans med Mälardalens universitet har vi därför använt artificiell intelligens för att analysera anonymiserade avvikelserapporter.

Projektet utnyttjar styrkan i stora språkmodeller för att hantera den utmaning som ostrukturerad fritext innebär. Genom att använda AI som ett kliniskt beslutsstöd skapas förutsättningar för en mer enhetlig klassificering och bättre prioritering av händelser som kräver fördjupad utredning. Målet är att effektivisera administrativa moment och frigöra tid för en djupare analys av bakomliggande orsaker.

Som ett första tillämpningsområde fokuserade projektet på läkemedelsavvikelser, en kategori som står för en betydande andel av vårdskadorna men som ofta är svår att bedöma. I en proof-of-concept-studie analyserades 3 307 rapporter som tidigare omklassificerats av kliniska farmaceuter. Den utvecklade modellen uppnådde 96 procents överensstämmelse vid validering mot experternas klassificering. Detta överträffar tidigare traditionella maskininlärningsmetoder och visar att tekniken har potential att förbättra klassificeringar generellt, vilket kan bidra till en mer tillförlitlig analys av vilka avvikelser som sker inom vården.