Markus Lingman, forskaren som vill förvandla vårdens data till bättre patientvård
Markus Lingman beskriver, grundat i hans erfarenheter från klinik, ledarskap och forskning, hur AI och informationsdriven vård förbättrar patienternas vårdkedjor.
Markus Lingman är en läkare och forskare som under sin karriär rört sig mellan klinisk verklighet, ledarskap, akademisk forskning och AI. Som specialist i kardiologi och internmedicin har han sett vårdens utmaningar på nära håll, men också möjligheterna och värdet av den stora mängden data som vården genererar. I den här intervjun berättar han om sin resa från studietiden till chefsuppdrag inom Region Halland och hur intresset för AI och informationsdriven vård växte fram. Vi får ta del av konkreta exempel på hur dataanalys och maskininlärning kan förbättra vårdkedjorna och öka tryggheten för patienterna – utan att tumma på integritet och etiska principer. Samtidigt lyfts vikten av samarbete och gemensamma standarder som en avgörande faktor för att Sverige ska lyckas realisera potentialen i informationsdriven vård.
Kan du berätta om din bakgrund? Vad ledde in dig på informationsdriven vård och AI?
- Stor del av min yrkesbana har varit klinisk som specialist i kardiologi och internmedicin, men för knappt 15 år sedan fick jag mitt första chefsuppdrag. Jag blev chef för läkarna på en ganska stor sjukhusklinik, men kort därefter följde ett uppdrag som verksamhetschef och snart också som områdeschef (det som på vissa håll kallas divisionschef). Sedan några år arbetar jag i huvudsak i sjukvårdsledning med strategiska frågor. Parallellt med kliniken och chefsbanan har jag bedrivit forskning. Jag disputerade vid Sahlgrenska akademin 2013 där jag fortfarande är affilierad, men har samtidigt en adjungerad professur vid Högskolan i Halmstad.
- Tanken om en mer informationsdriven vård växte fram som ett resultat av mina tre ”ben” – klinik, ledning och forskning. Under början av 2000-talet digitaliserades vården. Som en bieffekt började stora mängder data genereras och sparas. Märkligt nog användes inte denna guldgruva till insikter i så stor utsträckning. Flertalet siffror som användes för beslut fick plats i ett Excel-ark och det var fortfarande de fyra räknesätten från grundskolan som dominerade. Jag bar på en frustration att vården, ett stort komplext adaptivt system, inte hade bättre förutsättningar att fatta rätt beslut om verksamhetsutveckling. Begreppet ”uppföljning” var vanligt förekommande, men uppföljning handlar om att titta bakåt. Vid utveckling behöver man titta framåt och kunna beakta mängder av faktorer samtidigt så att det inte dyker upp indirekta negativa bieffekter av de beslut man tar.
- Jag såg ett stort behov av att se bortom organisationsgränserna och fokusera på hur det går för patienterna i relation till allt det vi tillsammans i vårdens olika delar gör för dem. Vården är väldigt bra på att optimera silos och stuprör även om det sker till priset av försämring någon annan stans i systemet. I huvudsak för att man inte har faktabaserad överblick över helheten. Informationsdriven vård handlar helt enkelt om att arbeta mer faktabaserat, holistiskt och framåtblickande (prediktivt) genom att nyttiggöra all den data som vi i vården genererar i stora mängder varje dag. Bland annat så utvecklade vi en resursbeskrivningsmodell, Patient Encounter Costing (PEC), för att kunna beskriva resursåtgång vid handläggning av patienter längs kompletta vårdkedjor. Motsvarande använder vi nu även för att räkna på klimatpåverkan. Begreppet ”informationsdriven” hittade jag bara på för att kunna konceptualisera och förklara. Idén kom från The Institute for Information driven medicine på Harvard.
- I arbetet med att nyttiggöra data i vården dök det snabbt upp ett nytt problem – den var lika komplex och omfattande som vården den skall beskriva. Traditionell statistik och ”business intelligence” räckte inte längre till. Det var för många faktorer att beakta och samband var inte linjära. Samtidigt hade vi turen att maskininlärning blev tillgänglig för en lite bredare publik, men tämligen okänt inom vården. Vi började samarbeta med forskare inom ämnet på Harvard Medical School och sedermera Högskolan i Halmstad och tillsammans förädlade vi data till information som ledde till nya insikter som vi kunde börja agera på och monitorera effekterna av på ett patientcentriskt sätt – essensen i informationsdriven vård. Med tiden blev även neurala nätverk tillämpbara och nu utforskar vi möjligheterna att använda språkmodeller.
- Tack vare de förmågor vi byggde har vår organisation idag helt andra förutsättningar att utveckla vården och optimera vårdkedjor faktabaserat än vad vi hade för 10-15 år sedan.
Du började en civilingenjörsutbildning men bytte till medicin. Vad har du tagit med dig från ingenjörsutbildningen?
- Innan jag läste medicin studerade jag matematik, fysik och programmering, men även national-, företags- och koncernekonomi samt språk inom ramen för utbildningen Industriell Ekonomi – Internationell. Jag fick förmånen att arbeta på svenska koncerners europakontor under kortare perioder. Att begripa lite mer avancerad matematik har förstås varit stor hjälp vid AI-tillämpning och forskning. Att kunna ekonomi och ekonometri har varit viktigt eftersom resurshantering är så central i vården. Inte minst ur ett etiskt perspektiv i prioriteringsarbetet där de resurser som står till buds måste användas på det sätt som skapar störst nytta. Här har vården mycket kvar att göra. Det är viktigt att komma ihåg att pengar bara är ett av många resursslag i vården och inte det mest begränsande.
Kan du dela med dig av något exempel där ert arbete med informationsdriven vård har förbättrat för patienterna i Region Halland?
- Halland har idag färre vårdplatser än andra. Minskningen i vårdplatser är i allt väsentligt en effekt av otillräcklig kompetenstillgång. Minskningen hade varit mycket mer problematiskt om vi inte samtidigt hade kunnat arbeta med hela vårdkedjorna så att behovet av inläggning på sjukhus minskade. Bland annat så använde vi AI för att, på riktigt, förstå vad som gör att en person hamnar på akutmottagning. Det är väldigt många faktorer som visar sig samverka och där vissa kan påverkas. Med faktabaserad överblick och prediktionsmodeller har vi kunnat fokusera på rätt åtgärder. Effekten är att vi inte har fler återinläggningar eller högre beläggningsnivåer än tidigare samtidigt som att det går ännu bättre för patienterna. Vi har också kunnat bygga bättre vårdkedjor för enskilda patientgrupper. Personer med hjärtsvikt i Halland behöver betydligt mindre slutenvård än vad som tidigare var fallet. Att arbeta systematiskt grundat i data under lång tid har bidragit till att Halland ofta faller väl ut i nationella kvalitetsjämförelser.
“Att hitta nya sätt att bedriva vård på är helt avgörande i ljuset av den demografi vi har att se fram emot. Ökad precision och prediktion kommer att vara viktiga faktorer och dessa kräver data. Jag är också övertygad om att många vill få del av de förmågor som skapas i den stund man själv har blivit eller riskerar att bli sjuk.”
Hur ser du på balansen mellan informationsdriven vård och att skydda patienternas integritet? Hur har vi hanterat den balansen i Sverige?
- Vi har hanterat känslig information i vården i alla tider och man kan imponeras av hur sällan den används på otillbörliga sätt. Hälso- och sjukvårdslagen säger att vi skall bedriva god vård och det innebär att den skall vara säker, effektiv, kunskapsbaserad, tillgänglig, individanpassad och jämlik. Inget av detta skulle kunna garanteras utan faktabaserad utveckling, uppföljning och framtidsanalys. Därför ger lagstiftaren vårdgivaren stora möjligheter till just detta. Utmaningen är snarast att den skyddande lagstiftningen kopplas till organisationsstruktur snarare än till patient (som får vård i många delar av den fragmenterade organisationen). Kraven på följsamhet till integritetsskyddande lagstiftning är dock hög och medför ett antal kontrollmekanismer och begränsningar. Ett aktuellt problem är att mycket lagstiftning har kommit till i en annan tid och därmed inte vägleder i de frågor som nu är aktuella. Det är tydligt att lagstiftaren, både nationellt och på EU-nivå, vill se mer nyttiggörande av data för att uppnå målen med vården och stödja forskning. Utvecklingen av lagstiftningen och dess tolkning är intensiv, men tar tid.
- Min uppfattning är att Sverige har varit ganska försiktigt just för att skydda integriteten. Jag är dock lika övertygad om att man kan skydda integritet och nyttiggöra data samtidigt. Men man måste veta vad man gör och var gränserna går. Vinsterna för individen och samhället är väldigt stora. Att hitta nya sätt att bedriva vård på är helt avgörande i ljuset av den demografi vi har att se fram emot. Ökad precision och prediktion kommer att vara viktiga faktorer och dessa kräver data. Jag är också övertygad om att många vill få del av de förmågor som skapas i den stund man själv har blivit eller riskerar att bli sjuk. Men för att bibehålla den tillit som invånarna har till vården idag skall data hanteras med omsorg och i linje med lagstiftarens intentioner.
År 2020 utsågs du till årets AI-svensk, bland annat för din förmåga "att göra det komplexa förståeligt". Tenderar vi i hälsofrågor att förenkla verklighetsbeskrivningar alltför mycket?
- Absolut. Många söker enkla svar på otroligt komplexa frågor och snabba lösningar på svåra problem. Ofta vidtar man åtgärder i bästa välmening utan att ha koll på de indirekta negativa konsekvenserna. Detta är ett klassiskt problem när det gäller styrning som baseras på indikatorer. Det leder också till att man löser problem lokalt även om det sker till priset av nya problem någon annan stans i systemet eller vid senare tidpunkt. Med ökad faktatillgång och en kultur där man kan prata om saker såsom det faktiskt är förbättras förutsättningar att attackera problemen på rätt sätt.
Du har jobbat med amerikanska samarbetspartners. Vilka är de största skillnaderna att arbeta med informationsdriven vård och AI i Sverige jämfört med USA?
- Det svenska och amerikanska sjukvårdssystemen är väsensskilda. Möjligheterna att använda data hos vårdgivaren är större i det amerikanska systemet, men samtidigt präglas den till del av att den är kopplad till ersättningar. I USA är vård en industri likt andra industrier som skall agera på en marknad. Det driver fram vissa typer av AI-lösningar. Samtidigt har USA en helt enastående forskningsmiljö på ett antal toppuniversitet och öar av klinisk excellens. Dessa kan vi lära av och samarbeta med. Men sedan måste tillämpningarna ligga i linje med svenska prioriteringar och sätt att bedriva vård på. Jag kan avundas hur en del framstående akademiska vårdorganisationer i USA har kunnat integrera forskning och vårdutförande på sätt som inte är genomförbara i Sverige.
- Samtidigt finns det möjliggörande fördelar i Sverige. Inte minst invånarnas tillit och jämlika tillgång till vården. Det vi har gemensamt är att beslut alltid blir bättre med en bättre faktabas. I grunden har vi också samma utmaningar med ökade vårdbehov i samhället och begränsad tillgång till kompetens även om USA demografiska profil är mer gynnsam än Sveriges.
Hur kan Sverige bli bättre på informationsdriven vård och att skapa värde av data? Vad är de viktigaste åtgärderna?
- Det första korta svaret är nog ökat samarbete. Både över organisations- och kunskapsgränser. Idag sitter många i egna hörn och försöker lösa samma problem och tolka samma lagar. Vi måste komma överens i större utsträckning. Det kan handla om standarder, lagtolkningar, vad som är ”good enough”. Samtidigt har staten en läxa att göra då de statliga myndigheter som vårdutföraren har att förhålla sig till arbetar alltför isolerat från varandra. Vårdgivarna skulle vara betjänta av ökad vägledning.
- Det andra korta svaret är att inte lockas att se detta som en IT-fråga. Att bedriva patientcentrisk, holistisk, framåtsyftande och faktabaserad vård är en verksamhetsfråga där kliniker, chefer, IT-specialister, jurister, (hälso)ekonomer med flera måste vara involverade på ett integrerat sätt.
Hur håller du dig själv uppdaterad inom så snabbt föränderliga områden som AI och medicin?
- Jag har valt ut ett 20-tal tyngre vetenskapliga tidskrifter inom medicin, AI, patientsäkerhet, vårdkvalitet och hälsoekonomi som jag bevakar och läser löpande. Det blir många artiklar att gå igenom. Samtidigt har jag lyxen att ha likasinnade och skarpa kollegor runtom i och utanför landet som hjälps åt att bevaka. Det är väldigt stimulerande. När det gäller etik och juridik tycker jag att WHO, EU och OECD med underorgan regelbundet kommer med fina sammanställningar och vägledningar. Sedan läser jag förstås en del populärmedia också, men den ligger ofta för långt efter. Transformermodeller kom 2017, men fick uppmärksamhet i media först 2024. Då hade allt viktigt redan hänt.
Vad ser du som de mest intressanta AI-trenderna inom vården under de kommande 3-5 åren?
- Det jag är mest nyfiken på är hur vi kan nyttiggöra den enorma mängd ostrukturerade data som finns i vården, dvs fritext. Den innehåller mycket mer information än den strukturerade och möjligheterna att skapa värden ur den har ökat dramatiskt tack vara transformermodellerna (tex språkmodellerna). Det finns dock ett antal oklarheter som vi behöver reda i innan vi ser de stora effekterna där vårdpersonal kan avlastas i stor skala.
- Det jag hoppas på är att vi skall kunna tillämpa kliniska beslutsstöd i vårdvardagen för att öka precision i diagnostik, välja skräddarsydd behandling fortare för den enskilde individen och agera på risk istället för det som redan inträffat. För detta krävs dock förtydliganden avseende ansvarsutkrävande och vilka krav vi skall ställa på beslutsstöden. Räcker det att de är lika bra som en genomsnittlig läkare? Vilka krav skall vi ha på transparens och mitigering av bias? Den kommande lagstiftningen uttalar sig om detta, men den behöver omsättas i praktik och diskuteras i samhället. Vi behöver få till en mer gemensam syn på balansen mellan risk och nytta när det gäller AI precis som vi redan har när det gäller tex läkemedel.
Om du kunde ge ett råd till unga läkare och forskare som vill arbeta med AI, vad skulle det vara?
- Jag tror att frågan är lite felställd. En läkare eller forskare som inte har hygglig koll på AI kommer förr eller senare bli irrelevant eller åtminstone obsolet. Det arbetas just nu med hur AI-kunskap skall bli en del av all svensk läkarutbildning. Det är bara lite synd att det skulle dröja till 2024. Man behöver inte förstå detaljerna, men man måste ha hygglig kännedom om risker och begränsningar precis som när det gäller andra verktyg vi använder för att hjälpa patienter.
Obs! Innehållet på denna blogg är mina personliga åsikter och representerar inte min arbetsgivare. Jag som utgivare ansvarar inte för kommentarsfältet. Den som kommenterar ansvarar själv för det som skrivs.