Mange forbinder fremdeles DNV med ISO-sertifiseringer og sjøfart. Men de har altså unik kompetanse også innen helsefeltet, og er sentrale i en rekke helsedataprosjekter i flere land.
Onsdag morgen var tre av DNVs eksperter på helsedata og kunstig intelligens (KI) innledere på det sjette i rekken av LMIs helsedata-frokostmøter.
– Vi er et risikohåndteringsselskap med mer enn 160 års historie, som eies 100 % av stiftelsen Det Norske Veritas. Vi har jobbet innen helsefeltet i 30 år, og de siste årene har vi styrket vår kompetanse på feltet ytterligere. Vi jobber blant annet med ansvarlig bruk av helsedata, datakvalitet og pasientsikkerhet, forteller Guro Meldre Pedersen, Portfolio Development Lead i DNV Digital Health.
Satser stort på helsedata og KI
DNV ser et økende behov i samfunnet generelt, og helsetjenesten spesielt, fra å gå fra analogt til digitalt, fra leverandørfokusert til pasientsentrert og fra behandling til forebygging. Selskapet bistår produsenter av medisinsk utstyr over hele verden, og snaut 3000 sykehus og helsesystemer globalt bruker DNVs kompetanse til å styrke pasientsikkerhet, behandlingskvalitet og driftsytelse.
Meldre Pedersen forteller blant annet om flere digitale helseselskaper og -løsninger de eier eller er involvert i:
- MBI Healthcare Technologies – et selskap innen kvalitetssikring av helsedata, med base i Storbritannia. Selskapet forsyner helseaktører med teknologi støttet av kunstig intelligens (KI) og ekspertise på datakvalitet, og har en løsning som gir en presis oversikt over hvem som venter på behandling, når og hvor.
- DNV Imatis – et selskap i DNV-gruppen som blant annet brukes til innsjekkings- og betalingsløsninger i sykehus. Deres løsning er integrert i underliggende systemer i sykehusene for å bidra til å løse pasientflyt, helselogistikk mm.
- Patients Know Best – en plattform basert i Storbritannia som integrerer medisinske pasientdata i én personlig helsejournal. Pasientene eier dataene selv, og kan bestemme hvem de deler sine data med, og til hva de kan brukes. Patients Know Best har 6 millioner brukere og er med det verdens største pasientjournalsystem.
- Newton’s Tree – en KI-plattform som hjelper helsesystemer med å teste, kvalitetssikre og overvåke KI-løsninger før de «slippes løs» på ekte helsedata.
- Recare – et Tysklands-basert selskap som linker utskrivningsklare pasienter videre til rehabiliteringsinstitusjoner som skal følge dem opp etter sykehusoppholdet. Bruker KI til å trekke ut nøkkelinformasjon fra helsedata for å optimalisere prosessene og avlaste helsetjenesten for administrative oppgaver.
Hvordan bruke helsedata til forbedringer i helsetjenesten?
– Det produseres mer data enn noen gang, men informasjonen ligger spredt i ulike systemer som ikke snakker sammen. Det gjør det vanskelig å lære fra tidligere alvorlige hendelser eller nesten-hendelser, sier Jens Nordahl, Growth & Business Development Manager, DNV Energy Systems.
Han forteller at det særlig er tre grunnleggende prinsipper som stopper læringen:
1. Dataene finnes, men ikke der de kan analyseres
2. Dataene mangler en struktur som gjør de håndterbare
3. Volumet og kompleksiteten i dataene gjør innholdet utilgjengelig
– Vi har et prosjekt som heter «Fra data til læring med kunstig intelligens» der vi har sett på hvordan riktig informasjonen kan samles og struktureres slik at man kan analysere dataene og få ut informasjon som man kan stole på. For teknologi og spesielt KI skaper først verdi når den kan stoles på, sier Nordahl.
I prosjektet samler de fritekst-data fra relevante (anonymiserte) datakilder som avviksrapporter, journaler, bemanningsplaner osv, for å avdekke mønstre og mulige medvirkende årsaker til uønskede hendelser i sykehusene, slik at de i fremtiden kan forutses og forebygges. De setter opp piloter i flere helseforetak nå, og søker partnere som ønsker å være med på å teste plattformen.
Syntetiske data – prematurt eller fantastisk?
«Syntetiske data» er data som er generert av KI, og som etterligner statistiske egenskaper ved ekte pasientdata, uten at de kan knyttes til enkeltpersoner. Dette gjør det mulig å få store datasett som ligner ekte data, uten personvernsproblemer som reelle helsedata har.
DNV jobber med syntetiske data, blant annet gjennom sitt bidrag i EU-prosjektet SYNTHIA.
Vibeke Binz Vallevik, senior principal researcher i Group Research and Development i DNV, jobber for tiden med en doktorgrad om nettopp syntetiske data.
– Jeg har veiledere både fra medisinsk, juridisk og matematisk-naturvitenskapelig fakultet (informatikk), noe som viser hvor bredt dette feltet faktisk er, sier Binz Vallevik.
Syntetiske data har mange fordeler, mener hun.
– De er lettere å dele, mye billigere enn ekte data, og nyttig hvis du for eksempel har for små kohorter. I EU-prosjektet SYNTHIA jobber vi med en rekke forskningsinstitusjoner og andre partnere, blant andre legemiddelselskapene BMS, GE Healthcare, Johnson&Johnson, Novo Nordisk og Pfizer. Vi leder arbeidet med å lage et strukturert rammeverk som vurderer kvalitet, personvern og anvendelighet av syntetiske data slik at de kan brukes på en trygg, pålitelig og ansvarlig måte, sier Binz Vallevik.
I den regulatoriske arbeidsgruppen jobber de blant annet tett med NICE (National Institute for Health and Care Excellence), som utarbeider retningslinjer for den britiske helsetjenesten NHS.
– I samarbeid med NICE jobber vi med å finne ut hvordan syntetiske data kan brukes i HTA-prosesser og regulatorisk godkjenning, og hvordan vi skal vurdere søknader der det er brukt syntetiske data i de kliniske studiene. Per i dag står det ikke eksplisitt i noe lovverk at du ikke kan bruke syntetiske data til disse formålene, men det det er også stor usikkerhet rundt om det skal være lov. Det må jo være trygt og sikkert! I Australia har de nylig oppdatert sin veiledning med en formulering om at «dersom du kan dokumentere at det ikke finnes nok grunnlag ellers», kan du bruke syntetiske data som underlag for regulatoriske godkjenninger, sier Binz Vallevik.
Hun minner også om farene ved syntetiske data, blindsonene, og hva som skjer dersom du for eksempel bruker syntetiske data basert på syntetiske data. Det kan bli en skummel «hviskeleken»-effekt.
– Hvis du genererer syntetiske data på syntetiske data kan du få noen rare effekter. Vi må generelt bli enige om hva som er godt nok, og hvordan vi kan bruke dette. Det finnes altså masse muligheter, sier Binz Vallevik.