Forskningsprojekt: Ett intelligent och patient-specifikt kliniskt beslutsstödsystem med syfte att effektivisera multimodal specialistvård för patienter med långvarig smärta

Projektledare
Björn Äng
Deltagare
Tony Bohman
Roger G Nyberg
Elena Tseli
Jerker Westin
Linda Vixner
Johan Ärnlöv
Riccardo Lo Martire, Centrum för klinisk forskning Dalarna (CKF) Region Dalarna
Projektperiod
-
Projektstatus
Pågående
Beskrivning
Långvarig smärta är ett stort och växande hälso- och socioekonomiskt problem som leder till låg
livskvalitet, långvarig sjukskrivning och hög läkemedelskonsumtion. Tillståndet är dessutom
svårbehandlad och betraktas idag som ett eget sjukdomstillstånd. Multimodal smärtrehabilitering
(MMR) anses vara det bästa behandlingsalternativet och består vanligtvis av fysisk aktivitet/träning, patientutbildning, läkemedels- och psykologisk behandling, som samordnas av ett interprofessionellt rehabiliteringsteam. Trots omfattande behandlingsinsatser är effekterna ofta blygsamma. För att effektivisera behandlingen behöver rehabiliteringen individualiseras så att den bättre matchar patientens behov och förutsättningar. MMR för patienter med långvarig smärta bedrivs idag vid ett 40-tal svenska specialistkliniker länkade till det Nationella Registret över Smärtrehabilitering (NRS). Vid Högskolan Dalarna finns en ny databas, FRIDA, som synkroniserar patientspecifika data från NRS med fyra andra nationella register. FRIDA innehåller longitudinella data från cirka 60 000 patienter och utgör en unik databas med information om faktorer som är kända för att interagera vid långvarig smärta. Vårt mål med detta projekt att effektivisera svensk specialistvård för patienter med långvarig smärta.
Med hjälp av artificiell intelligens som tillämpar maskininlärning på data från FRIDA avser vi att utveckla och validera ett kliniskt beslutsstödsystem för MMR. Syftet är därefter att utvärdera beslutsstödet med hjälp av en registerbaserad randomiserad kontrollerad studie. Systemet kan stödja rehabiliteringsteamet vid urvalsförfarande och behandlingsdesign och på så sätt effektivisera rehabiliteringen utefter den individuella patientens förutsättningar.
Liknande intelligenta beslutsstödsystem har inte utvecklats tidigare och vi tror att det kommer att bidra till ökad hälsa, minskad sjukskrivning och läkemedelskonsumtion för dessa patienter samt till hälsoekonomiska vinster för samhället.
Nyckelord
Kronisk smärta, prediktion, artificiell intelligens, interdiciplinär smärtrehabilitering, Chronic pain, prediction, artificial intelligence, interdisiplinary pain rehabilitation, machine learning
Forskningsprofil
Hälsa och välfärd
Ämne
Datateknik
Medicinsk vetenskap
Statistik
Finansiärer
FORTE
Högskolan Dalarna
Vetenskapsrådet