IoT och AI kan ge innovativt beslutsstöd för prehospital akutsjukvård

I detta avsnitt möter du Stefan Candefjord som är forskare och docent i medicinteknik på Chalmers. Han är även projektledare för ASAP PoC – ”Bättre civila och militära prehospitala Point-of-Care beslut med hjälp av datafusion och AI”, ett prototyputvecklingsprojekt som finansieras via IoT Sverige och som ska stärka den prehospitala akutsjukvården. 

Producerat av: Kristin Blom Klippning: Maria Bergenheim

Episode Transcript

(00:08):
Alla pratar om AI nu för tiden.
AI hänger ju nära ihop med IoT och i dagska vi ta reda på lite mer om hur det är
att jobba med innovativa metoder
i gränslandet mellan IoT,AI och akutsjukvård.
Med bas i Göteborg drivs ett av vårapågående projekt som heter ASAP PoC.
Bättre civila och militära prehospitalaPoint-of-Care beslut

(00:32):
med hjälp av datafusion och AI.
Med oss här i studion i dag har viStefan Candefjord som är forskare
och docent i medicinteknik på Chalmers.
-Välkommen Stefan!-Tack så mycket!
Jag heter Kristin Blom och du lyssnarpå IoT Sveriges podcast om innovativa
IoT-projekt i offentlig sektor.

(00:52):
Stefan, du är ju forskare igränslandet mellan teknik och vård.
Kan du inte berätta mer omdig själv och din bakgrund?
Absolut.
Jag har alltid varit intresseradav både sjukvård och teknik.
Det var lite av ett dilemmanär jag skulle utbilda mig
så vad jag egentligen skulle välja.
Men intresse för teknik varändå lite starkare just då

(01:14):
så jag läste tillcivilingenjör på Chalmers.
Men sen när det gått där några årså fick jag reda på att det finns
ett ämne som heter medicinteknik.
Då kände jag att det kan varaperfekt för mig att få möjligheten
att kombinera de här intressena ochhjälpa utvecklingen av sjukvårdsfrågor
och hälsa med hjälp av teknik.
Sedan dess har jag satsat på det områdetoch fick möjligheten att disputera inom

(01:39):
medicinteknik på Luleåtekniska universitet.
Så sedan dess.
Vad spännande det låter att varaforskare i de här gränslandet.
Det verkar jättespännande tycker jag.

(02:00):
Ja, men det är jättespännande att se på attförsöka utveckla morgondagens teknik och
förbättra den befintliga ochjobba med evidens så gott vi kan.
Och så träffa många olika parter gör man
ju både inom sjukvården,näringslivet och akademin och så.
Så det är en spännandeplats att vara tycker jag.
Det måste ju bli så också att man känneratt man kan göra någonting som är till

(02:23):
nytta för många människor och det måsteju vara en väldigt trevlig känsla.
Ja, absolut.
Det är väl den allra viktigastedrivkraften för mig själv och de flesta
som arbetar med medicinteknikuttrycker också.
Så det är en väldigt stark ochviktig drivkraft tycker vi.
Men berätta lite om ert projekt.Vad är det ni gör, vill göra i ASAP PoC?

(02:45):
Vi vill undersöka, lära oss mer omoch förbereda för implementering,
driftsättning,nyttogörande av AI-baserade beslutsstöd.
Det grundar sig i tanken på attvi och många andra har utvecklat.
Olika typer av modeller som verkar lovandeför att till exempel prediktera olika

(03:08):
tillstånd som patienter kan lida av.
Men det har inte gjort så mycket arbete
egentligen att ta dem ut iverkligheten i de flesta fall.
Det finns ju så klart de projektsom har kommit hela vägen.
Men ganska många gånger så stannade vi i
en matematisk modell som vibeskriver i en vetenskaplig studie.

(03:30):
Men den når inte nyttiggörandeut i den praktiska sjukvården.
Det är en ganska lång ochinvecklad resa för att göra det.
I det här projektet vill vi titta påde möjligheterna för de här konkreta
beslutsstöden som vi arbetar medför den prehospitala sjukvården.

(03:52):
När du säger beslutsstöd,hur tänker du på då?
Vad innefattar det i ordet?
Ja, det är ju att man då stödjer personaleni svåra och kritiska beslut på något sätt
med teknik då.
Att personalen helt enkelt kanrådfråga ett system eller att det
automatiskt kommer utråd från ett IT-system.

(04:15):
Som hjälper personalen att fatta beslut.
Det är ju personalensom ska fatta besluten.
Men tekniken kan stödja.
Och speciellt viktig kan det vara nären patients tillstånd är svårbedömd.
Och det är inte uppenbart vilken som ärden optimala vården för denna patienten.

(04:36):
Eller till exempel vart manbör transportera patienten.
Och vilka är det som deltar i ert projekt?
Ja, för oss är det viktigt attrepresentera alla delar som behövs här.
Akademin är representerad avChalmers tekniska högskola,
vi som är det projektet.
Vi har högskolan i Borås ochvi har Sahlgrenska akademin vid

(05:00):
Göteborgs universitet.
Sen är det jätteviktigtatt få med näringslivet då.
De är representerade av Dedalus Sverigesom gör IT-system för ambulanssjukvård.
Bland annat en stor leverantör av detta.
Vi har Meditech i Göteborg som ärexperter inom det regulatoriska området

(05:22):
på medicinteknik.
De kan stödja projektet i de frågorna.
Sen har vi InterSystems som är också enleverantör av IT-system till sjukvården.
Och sen behovsägarna då, kanske på mångasätt allra viktigast, de är representerade
genom Västra Götalandsregionen ochdär har vi med oss ambulanssjukvården

(05:45):
på Sahlgrenska universitetssjukhuset.
Och klinisk expertis inom traumaoch stroke från också Sahlgrenska.
Det är ett väldigtstort samverkansprojekt.
Ni är många aktörer och ni är många somhar olika ingångar i det här projektet.
Absolut, det är det.
Och det är en av de saker somgör det väldigt roligt och

(06:06):
samtidigt mycket utmanande förstås också.
Jag ska också nämna attFörsvarsmakten är representerade genom
Försvarsmedicincentrum.
De har också intresse av denhär typen av frågor och system.
Hur långt har ni kommit i projektet?Vad har ni gjort hittills?
Vi har kommit mer än halvvägs i projektetoch det kommer slutföras nu under våren.

(06:28):
Vi har gjort många insatser för att ökakunskapen om hur AI-lösningar ska kunna
nyttiggöras inom prehospital och sjukvård,inklusive försvarsmedicin.
En av de allra viktigaste sakerna vihar gjort från en teknisk synvinkel är
att vi har paketerat en av de algoritmernasom vi har framtagit för att användas i

(06:50):
ett IT-system som delaross för ambulanssjukvården.
Och det är många delardär som man när man tittar
på en sån detaljerad implementeringatt det är verkligen inte självklart
hur man ska göra det på ett bra sättoch hur samverkan mellan ett AI-system
och människa ska gå tillför att vara effektivt.
Speciellt då i såna här tidskritiskasituationer som vi har för trauma och

(07:15):
stroke där så snabbt omhändertagandesom möjligt är högsta prioritet.
Men vad är egentligen en algoritm?
En algoritm, det kan väl ha mångadefinitioner men jag tänker på det som en typ
av instruktion egentligen i singrundläggande form för ofta avsett för
en dator att utföra en viss operation.

(07:35):
Ofta är det ju matematik involveratliksom och att man försöker räkna ut
till exempel sannolikheten för ett vissttillstånd när en händelse ska infalla
som ett exempel.
Men algoritmen är en väldigt bred termså det används ju för att genomföra
en stor mängd operationer inom IT-system.

(07:56):
Och vad är det tänkt attjust er algoritm ska göra?
Vi har framför allt jobbat med traumahittills men generellt så tittar vi
på tidskritiska tillstånd och trauma
och stroke har varit våra förstapatientgrupper som är målgrupper
för de här systemen.

(08:18):
Vad vi önskar att de här algoritmerna skagöra är att stödja personalen i de svåra
besluten som behöver fattas för handläggningoch vård av de här patienterna.
Den frågan som vi har belyst mest hittillsär frågan om transportdestination.
För beroende på hur svårt skadad patient

(08:38):
eller hur allvarligt det här tillståndetär så kan det finnas fördelar för de
som är svåra skadade att bli direkttransporteradetill universitetssjukhus.
Om det är en möjlighet då med avståndetjämfört med andra närliggande sjukhus.
Så det är inte självklart att man alltid
ska välja det sjukhussom ligger allra närmast.

(09:00):
Och det är en väldigt svår frågaför personalen att hantera.
Där hoppas vi till exempel att den härtypen av algoritmer ska kunna hjälpa till
genom att ge en rekommendationsom personalen kan ta hänsyn till.
Om vi ska vara lite mer konkreta då.
Säg att ni har lyckats landa en algoritmi en fungerande lösning som finns

(09:24):
och tillgår i praktiken.
Kan du då ge ett konkret exempel
på tillfälle när er lösning skulle kommaväl till pass om vi till exempel tar
en trafikolycka då?
Hur skulle er algoritm kunna hjälpa tillom vi låtsas att den är implementerad?
Det är ett bra exempel.
Trafikolyckor är väldigt vanliga ochbedömningen av patienterna som åker ut

(09:48):
för dem är inte enkel.
Vi vill att personalen ska arbeta sånära som möjligt som de redan gör i dag.
Så att när man kommer till olycksplatsenoch har lastat in patienten i ambulans
eller eventuellt före då så ska man
ju ta de parametrar ochobservationer som man normalt gör.

(10:09):
Och en del av dessa kan vårt beslutsstöd
då redan tillgodogöra sig av ochstarta de här beräkningarna utifrån.
Sen har vi observerat att det är någravariabler som har stort prediktivt värde.
Som vi önskar att ambulanspersonaleni tillägg då skulle ta,
men som vi har bedömt skulle gåsnabbt och enkelt att göra det.

(10:32):
Så genom att göra de extra observationernaså skulle vi kunna ge en rekommendation
då i det här IT-stödet.
Till exempel om det är stor risk att denhär patienten har en allvarlig skada
som då kanske inte är uppenbar.
Det här kan ju röra sig om inre skadorsom man inte ser vid en första anblick och
undersökning av patienten.

(10:54):
Jag som inte har den härmedicintekniska bakgrunden,
om jag ska försöka förstådet här så handlar det om att
med hjälp av en massa data och enmassa erfarenhet och ett AI-system som
kan se trender ochanalyser på ett metasätt,
så ska man då kunna lägga in variabler

(11:17):
och sen ska systemet kunna se mer
än vad som är ”här verkar det ändå finnasen väldigt stor risk för att det kommer
att bli en stroke eller att det kommer attbli något trauma eller någonting”, som man
kanske inte tror närman först är på platsen.
Är det så det är tänkt att fungera?
Ja, det kan man säga frånett högre perspektiv.

(11:42):
Jag tänker att personalen i våra systemeller de modeller vi arbetar med har en
misstanke om att det ärantingen trauma eller stroke.
De har stor vana att bedömadetta så det vet man oftast.
Men hur kritisk är den här skadan ellerstroken är en svårare bedömning att göra.
Det är framför allt där vi ser behovenav att beslutsstöden ska komma in.

(12:06):
För att helt enkeltförsöka hjälpa med
den bedömningen och det kan hastor påverkan på vad man vill göra
och behöver göra härnäst för patienterna.
Du har pratat tidigare om att denhär lösningen skulle också kunna
användas inom typ av massskadesituation.

(12:27):
Det hoppas vi att man i nästa steg skakunna använda liknande typer av lösningar
för massskadesituationer.
Där kommer det ställas ytterligare krav påatt det ska gå extremt snabbt om man inte
bara har en patient utan man kanskehar tio- eller hundratals om det är
en extrem situation att bedöma.
Så då blir det tiden att bedöma varjepatient extremt viktig.

(12:49):
Det kan betyda att man behöver ta bortvissa av de här variablerna som vi ser är
rimliga i det enskilda fallet menkanske inte längre blir rimliga.
Men annars kan man tänka sig grundenatt man gör en liknande prediktion
av allvarlig skada.
Sen vad ett sånt system troligtvisbehöver göra då också är att hjälpa

(13:09):
personalen med sammanvägda bedömningen.
Och det vore säkert också väldigtbra om man kunde få information
från närliggande sjukhus.
Till exempel har de platser.
För det här kan ju röra sig om situationer
när man inte har tillräckligt storaresurser på ett enskilt sjukhus.
Till exempel när man ärnärmast att ta hand om alla.
Så då ska man transportera demtill olika sjukhus typiskt.

(13:33):
Så med kunskap om det och det är ju ganskasvårt att sammanställa för oss människor
om man har ett stort antal skadade.
Så med den typen av informationså hoppas jag att man kan.
Skapa system som kan hjälpa till med attge rekommendation för var varje patient
helst skulle transporteras.

(13:55):
Och vad är nästa steg i projektet?
Vi håller på att titta väldigt detaljeratpå hur systemet ska se ut för att använda
sig effektivt av personalen.
Vi har haft ett antalworkshops och så om detta.
Vi är nu egentligen i slutskedet av attbygga ett demosystem som personalen kan

(14:18):
använda som liknar de systemde redan använder i dag.
Det vill vi testa mer praktiskt.
Som vi sa innan, det måste varaväldigt enkelt att använda detta för
att det ska gå bra.
Det måste gå snabbt och det måste varaväldigt enkelt också för personalen att

(14:38):
förstå den information som kommer ursystemet och de ska kunna agera på den.
Och sen också att den information somkommer ur systemet verkligen är användbar.
Det är någonting man kan agera på ochdet är enkelt att ta stöd i sitt beslut
med hjälp av den informationenman får från systemet.
Och det är inte alls självklart hur manska presentera informationen och också

(15:02):
om man ska presentera mer än bara.
En rekommendation, det vill säga attman ger kanske en förklaring till
varför den rekommendationenhar blivit sån.
Till exempel att systemetkan ge information om att
på grund av de här faktorerna, vad det nukan vara, hög ålder, just den här typen

(15:24):
av incident, andra riskfaktorerhelt enkelt, så bedömer systemet att
här finns det stor risk för att dethär är ett väldigt kritiskt tillstånd.
Eller åt andra hållet attdet finns inte en stor risk.
För det är också så att vi harproblem med så kallad övertriage.
Och trafikolycka är ett sånt exempeldär vi har rätt stor övertriage.

(15:48):
För att många klarar sig väldigtbra från trafikolyckor i dag
i de säkra fordon som vi har.
Och då kan man också överskatta skadan.
Då kan man ge ett sånt fall för stor uppmärksamhetom man säger så och det drar mycket
resurser på sjukhusen i onödan.
Så i båda de fallen kunna hjälpa.

(16:11):
Men personalen måste känna att det här är
ett system man vill ha och som man kansamarbeta med på ett effektivt sätt.
Jag har egentligen inte gjort såmycket forskning på det när det kommer
kring beslutsstöd inom prehospitalasektorn i vår mening så vi hoppas
att det kommer komma mycket, mycket mer.
Det här projektet är innovativtpå många håll och sätt.

(16:34):
Det är väldigt spännande tycker vi också.Men vad tycker personalen då?
Är det här någonting som de efterfrågareller tycker de att det ska bli ytterligare en grej
som är lite jobbig och bökigoch inte vet hur de ska använda?
De är väldigt positiva och vill ha sånahär system är vår uppfattning och ett

(16:55):
tydligt resultat av de workshops vi har haft.
Samtidigt ställer de mycket frågor kring och
har mycket idéer och rekommendationer för
hur systemet ska fungera för att varaeffektivt och det är väldigt värdefullt
att mötas inom den här konstellationen ochmed de här olika kompetenserna och de som

(17:16):
har verkligen erfarenhet frånfältet och möter de här patienterna.
Hur systemen verkligen ska se ut.
För det är klart de ser juockså risker med som du säger,
att det här är någontingsom krånglar till det
och gör att bedömningen tar mer tid.
Och det kanske är jobbigt attinteragera med ett sånt här system.

(17:36):
Mata in uppgifter som behövs och så.
Otydligheter och så.Så det ser de ju absolut också.
Så det måste testas utordentligt i samverkan.
Och det är något sominte heller alltid görs.
Ibland har man leveranser av vissaIT-system som inte har testat så mycket
ute i praktiken av desom arbetar i fältet.

(18:04):
Men överlag så vet vi ju attmedicinteknik är ju hårt reglerat
och det är ju i grunden väldigt,väldigt bra.
Även om det är svårt att jobba med ibland.
Men man vill ju också att det ska varasäkert och att man vet att det är bra
för patienten och så där.
Men nu är det ytterligare ettgränsland här för att det är
ju mycket regelverk kring medicinteknik.

(18:27):
Men AI och den här typen av beslutssystem
finns det inte riktigt regelverk förän om jag har förstått delar rätt?
Nej, det stämmer och det är en av desakerna vi tittar på i projektet också och
gör en omvärldsbevakning ochdiskuterar mycket inom parterna.
Ett av arbetspaketen kallar vi MAIN somstår för Modell för AI:s Nyttiggörande

(18:48):
och där vi diskuterar just de här frågorna
och i slutredovisning av projektet kommervi att ta fram en rekommendation för
hur en sån process ska kunna se ut.
Och som du säger så finns inte
så mycket gjort på området så detfinns väldigt mycket oklarheter kring

(19:09):
hur de här systemen ska anpassasför att vara regulatoriskt säkra,
bra för patienter och bra för användarna.
Så det finns mycket att göra där.
Det har ju gjorts och görsmycket på området.
EU:s regulatoriska enheter,
Läkemedelsverket och sånt arbetarju väldigt intensivt med frågorna.

(19:32):
Men trots det är det ändå rätt såoklart hur man ska gå tillväga.
Inte minst också om det kommer tillsamverkan som vi ser också skulle vara
nyckel till bättre system.
Det kan ofta komma en idéfrån akademin till exempel.
Konkret som i detta fallet att vi hartagit fram någon sorts algoritm i akademin
som vi tror har värde.

(19:53):
Men det är ju inte säkert att … Det äroftast inte akademin som ska driftsätta
en sån algoritm utan kanske ettbefintligt företag exempelvis.
Hur den resan ser ut för ett AI-baseratsystem med IP, det regulatoriska och
så är mycket som är utmanande.

(20:17):
I detta och som nuvarandeinnovationssystem kan behöva arbeta med
för att stödja såna projektpå bästa möjliga sätt.
Vi har sett att det inte finns någonbefintlig aktör som kan ta i vissa frågor
som länkar mellan det akademiskaoch näringslivet och sjukvården för

(20:38):
att nyttiggöra såna system.
Så det kan vara att det behövsnya externa aktörer som jobbar med
att brygga över det här.
Det är ju ofta så att ny teknik kommermed nya krav på verksamhet och förändring
och man behöver ställa om lite.
För tio år sen när IoT Sverigebildades då var ju IoT hypen

(21:02):
som man pratar om AI i dag.
Och nu har vi pratatmycket om AI och algoritmer.
Jag tänkte på det här med IoT. Hur serdu att IoT kommer in i det här projektet?
IoT är mycket av grunden föratt AI-system ska kunna bli bra.
Man behöver koppla sammanmånga olika system.

(21:24):
En sak vi trycker mycket på här ocharbetar med är interoperabilitet.
Att systemen kan prata med varandra.
Det är ett stort problemi dag inom sjukvården.
Inte minst att de intealltid kan göra det.
Många gånger är det så.
Det finns ju standarder att jobba med somtill exempel FHIR som är en populär och

(21:46):
där tittar vi konkret också på hur kan mantill exempel översätta sin algoritm till
att prata FHIR-språket så att säga så attden skulle vara lättare då för företagen
att implementera i sina befintliga systemsom då helst också bör prata kanske FHIR
eller att man har någonintegration mot deras system.

(22:08):
För bra AI kräver ju bra data som vivet och då behöver vi helst kunna prata
med varje sensor och så som vi hartillgång till i sjukhus eller vårdmiljön
som befinner oss tillexempel i en ambulans.
Så det är lätt att kunna kopplaihop allt det på ett bra sätt.
Som du säger, det är sällan en sortssensor utan det är många olika sensorer

(22:33):
på olika platser som gör olika saker.
När det gäller AI vill man koppla ihop så
mycket som möjligt och se de härkorskopplingarna och allt det här.
Så jag förstår att det blirmycket interoperabilitetsfrågor
i det här projektet också.
Hur ser du allmänhet på IoT och AI?
Nu har vi möjlighet till en forskarsynhär i podden så då tänker jag passa på.

(22:56):
Hur ser du på frågor kring IoT och AI?
Jag ser det absolut som dit vi ska gå ochdet är den stora möjliggöraren för att
göra sjukvården och samhälleteffektivare och bättre i många avseenden.
Men det finns mycket jobbatt göra på olika plan.

(23:17):
Inte minst det att det börjar komma framväldigt bra AI och den börjar
nyttiggöras i många fall för konsumenter.
Men för sjukvården har vi de ytterligarekraven på det regulatoriska till exempel
där vi måste titta på hur dekan nyttiggöras i de avseendena.

(23:38):
Och mycket mer arbete kan verkligen görasinom interoperabilitetsfrågorna som vi sa.
Och sen har vi också det härmed gränssnittsfrågorna som blir
extremt viktiga och samarbetet mellanAI och människa, människa och maskin.
Kan man få det riktigt bra så trorvi att sjukvården och samhället

(24:02):
kan lösa många viktiga frågorsom vi kämpar med i dag.
Förbättra överlevnad ochminska invaliditet och så.
Ibland kan jag känna att det är nästanlite svårt att förstå hur mycket man
kan göra med AI och vilkafrågor man kan lösa.

(24:23):
Det är nästan så stort attdet är lite svårt att greppa.
Jag kan nästan få lite ångestibland när jag tänker på det för
att jag inte förstår.
Men du är ju mer insatt i mina frågor nu
så jag är väldigt tacksam över att ha dighär så att vi kan bena lite i det här.
Det är väldigt spännande.
Jag tror den rädslan ochoron som du beskriver känner nog många.

(24:44):
Inte minst de forskare som jobbar meddetta för det är ju ingen som kan förutse
nu vart detta kommer ta vägen ochdet går ju snabbare och snabbare.
Det finns ju mycket oro kring utvecklingenoch många negativa aspekter också,
vad detta kan leda till.
Men ingen forskare,
ingen alls kan egentligen förutsehur bra systemet kommer bli

(25:09):
och vad de kan göra för oss i framtidenoch vilka utmaningar vi står inför.
Jag tror vi alla delar det på olika plan.
Vissa är mer insatta i kanskedet tekniska till exempel.
Men det här är oförutsedda och att detinte går att förutse utvecklingen här.

(25:31):
Både spännande menockså skrämmande ibland.
Men det som är roligt tycker jag också
nu är ju att man börjar se konkretaanvändningsområden på AI på
ett helt annat sätt än vad mantrodde bara för några år sen.
Och då tycker jag att det är väldigtroligt att se de här positiva exemplen på
hur man faktiskt kan använda det,hur det kommer till nytt.
Hur man kan kanske rädda livmed den här typen av system.

(25:54):
För det är ju det vi pratarom till syvende och sist.
Framförallt i akutsituationerdär det gäller snabba beslut,
rätt beslut, snabb vård.
Man måste snabbt hitta ini de här rätta systemen.
Och det är ju väldigt mycketansvar på de som jobbar i det här.
Så jag tänker att om jag hade jobbatmed det skulle jag nog också vilja.
Ha system att hålla i handen omjag vet att de kan hjälpa mig.

(26:17):
Det är många av våra lyssnare somockså själva jobbar inom välfärdsteknik
eller medicinteknikområdet.
Och jag tänker att de kanske ocksåarbetar med att ta fram egna algoritmer.
Men kan man skydda en algoritm då?Kan man ta patent på den?
Det är generellt väldigtsvårt att göra det.
Om det bara är mjukvara så att säga.
Så är det svårt och det äralltid någon annan som kan göra

(26:40):
en annan algoritm som kanske gör samma.
Samma jobb så att grundidén om detgäller att prediktera någonting
så är det mycket svårt.
Kan du koppla det till någontyp av hårdvara liksom till
kanske någon ny sensor eller någonmätning eller så det gör då då ökar
ju möjligheterna mycketmer för att patentera.
Men inom mjukvara så har jupatent alltså fått en annan roll

(27:03):
och många företag väljer ju att gå framåtutan att patentera och man försöker göra …
kanske bli först eller göra sakerbättre än någon annan på området
i stället som det enda bra alternativman har egentligen till att patentera.
Patentera är ju en trygghet och bra förmånga företag när det går att göra men

(27:25):
verkligen inte alltid möjligt och i desystem vi tittar på i det här projektet
då är nog möjligheternaför patentering små.
Alternativet är att man gör helt tvärtomdå man har det helt öppet och kanske
jobbar med till och med open source.
Ja, open source är också en väldigtintressant alternativ på många sätt.

(27:45):
Man har ju möjlighet att göra stornytta med open source-system och har man
en vilja att hjälpa sjukvården framåt
så mycket som möjligt och även i mångaandra länder och kontexter som man inte
direkt själv arbetar i då kan juopen source vara väldigt effektivt.
Det kan ge forskargrupper,kliniker med flera,

(28:07):
var som helst i världen,tillgång till den här typen av system.
Man kan få mycket uppmärksamhetför det och känna att man gör
stor nytta i ett projekt.
Det är många forskargruppersom väljer den modellen.
Sen kan det vara lite svårare att maninte skyddar sin IP på det sättet.

(28:34):
Det kan vara svårare att ligga förekonkurrenterna om man ser från företagens
perspektiv som använder den.
Men det går ju att bygga också brasystem utifrån open source-kod.
Vi har ju många exempel på olika typer avappar och it-system och sånt som använder
open source-kod i grunden.

(28:56):
Och blir bäst på sitt område och ocksåkan hitta bra affärsmodeller för det.
Så det är absolut någonting man gör.
Vi tror också att man skaha med sig och titta på.
Ni har ju också med erFörsvarsmakten som projektpartner.
Vad har Försvaret förintresse i det här projektet?
De är väldigt intresserade av beslutsstöd.

(29:20):
Den civila sjukvården är ju också densom ska hjälpa till i krigssituation och
vid massskadesituationer.
Man behöver kunna hantera den typen avscenarion då inom den civila sjukvården.
Det kan ju vara att man sätter uppextra fältsjukhus och sånt vid extrema

(29:44):
situationer men då måste också desamverka med den civila sjukvården.
Och det ställer jättestora krav på
att systemen då, här ska man kunna användasamma system som man använder dagligen
även i en massskadesituation då.
Kanske man inte måste vara samma.
Så man får tänka till hurdet kan liksom skalas upp
till en situation där vi haren stor mängd skadade nu.

(30:05):
När man pratar om trauma vilket är vadman oftast gör inom försvarsmedicin
och den typen av händelser och de säger att:
De har väldigt stora intressen.
”Vi behöver också modernisera sättetatt arbeta med att ta hand om skadade
i såna situationer.”

(30:27):
Många konflikter runt om i världen harvisat att det är väldigt utmanande att
ta hand om skadade när manfår massskadesituationer.
Ja, en massskadesituation som dusäger kan ju vara både civil eller i
en krigsskadesituation, men det kan jufortfarande vara väldigt många involverade
i stora bränder eller andrakatastrofer av olika slag.

(30:50):
Ja, vi har ju mycket diskussioner medFörsvarsmedicincentrum just kring
vad egentligen kravsättningen ärpå ett sånt här system.
Frågor som till exempel hur myckettid har man på sig att bedöma
en enskild patient i det fallet?
Och vad har man för möjlighet attundersöka en enskild patient närmare?

(31:16):
Så det är mycket som vi har lärt ossredan och man behöver förstå för att
bättre hantera den typen avsituationer och hur systemen ska se ut.
Har ni stött på någraoväntade hinder i ert projekt?
Svårigheten som vi sa när vi pratade omMAIN, modellen för AI:s nyttiggörande, är att

(31:38):
faktiskt nyttiggöra forskningsom kommer från universiteten och
att det inte finns någon självklar aktörsom bryggar över till exempel
inom regelverksfrågor är väl enlite kanske nu oväntad svårighet.
Där tror vi det behöver göras mycket.Det är väl kanske något av det viktigaste.

(31:58):
Sen har man ju alltid utmaningar inomprojekten som att personal kan komma och gå
och vissa nyckelpersoner försvinner
och det tar tid att sätta innya nyckelpersoner i projektet.
Men det är ju inte oväntat ska jag sägaför det händer ju de allra flesta projekt.
Du sa att det är lite ny mark dethär med den här typen av innovation

(32:22):
i prehospitalvård.
Vet du om det är några andra som görliknande projekt inom liknande område?
Ja, men det finns det absolut.
Det finns många både starka forskargrupperoch samverkan med kliniker och företag
som är starka på dettalite runt om i världen.

(32:43):
Vi tycker nog att det är ett fält somliksom är underbeforskat och där kan det
göras väldigt mycket mer.
Till exempel görs det inte så mycket inomden prehospitala sjukvården som det görs
på sjukhusmiljön.
Så där tycker vi attdet skulle göras mycket.
Men absolut att det finns många godaexempel och det finns projekt som

(33:03):
har kommit långt.
Så det finns många attlära och inspireras av.
Har du några tips till andra som jobbarmed AI och IoT inom prehospitalvård
till exempel i olika akutsituationer?
Jag gillar ju att göra det så konkretsom möjligt så att har man något man
kan utgå ifrån tillexempel i det här projektet

(33:24):
att vi har en faktiskt befintlig algoritmsom vi kan försöka göra interoperabel
och titta på detaljerna kring hur man
kan få den att prata FHIR och liknande som vi pratade om,
så tycker jag att det kan tydliggöra mångafrågor när man har något konkret system
att jobba med.
Så att jobba lite från två håll,

(33:46):
dels från en lite mer teoretiska,övergripande beskrivning att det
här är vårt mål, hit vill vi komma,vad behöver vi göra?
Men också från andra hållet,om man jobbar med något väldigt konkret,
här har vi det här beslutsstödet.
Nu vill vi ta det framåt.Vad är då stegen som man behöver göra?

(34:07):
Jobbar man från båda de hållenså tror jag man kan vinna mycket.
För det är mycket från det här konkretaarbetssättet man jobbar med, befintligt.
Det är många frågor som uppstår där somman inte riktigt vet innan man börjar
titta på de här detaljerna och tadet stegvis närmare verkligheten.
Så har man möjlighet att jobbamed ett sånt system …

(34:27):
Det måste ju inte alltidvara ens eget heller.
Om man inte har något.Man kan faktiskt ta någon annan som
kanske har ett beslutsstöd.
Nu testar vi att se vad som skulle händaom vi tog deras beslutsstöd och försökte
att implementera det.
Då kan man kanske lösa en del avde svåra frågorna på vägen där.
Om man har den ambitionen så kanskeman tar fram ett eget beslutsstöd sen.

(34:49):
Men då har man kommit framåt ordentligt
i de frågorna som rörimplementering och nyttiggörande.
Nu hoppas vi verkligen att nilandar den här biten och att ni
sen får möjlighet att komma ännu längre.
Det är ju en typ avuppstartsprojekt kan man säga,
pilot som ni har gjort och det ärju en liten bit kvar till införande.

(35:14):
Ja, absolut, det är det.
Det hoppas vi också, att vi får möjlighetatt ta det närmare verkligheten och hitta
nya sätt att testa ut såna här system.
Vi har också sett att det finns storavinster i att ta fram vad vi kallar
sandlådemiljöer.
Det pratas mycket om för attman kan testa såna här system.

(35:39):
När vi pratar om att implementera den häralgoritmen och få den på en läsplatta som
kan användas så är det helt en sandlådemiljö.
Vi har också sett att det har kommit brametoder för att arbeta med syntetiska data
som vi tror i vissa fall kan varaeffektivt för att testa system

(36:00):
i tidiga skeden utanrisker för patienterna.
Att man egentligen kan ha alltingsom man har i ett verkligt system
på ett realistiskt sätt medsyntetiska data som representerar
väl den faktiska data somman skulle se i verkligheten.
-Är syntetiska data fejkad data då?-Ja, det är riktigt.

(36:23):
Men fejkad på ett sånt sättså att den blir realistisk.
Det finns olika metoder att göramen de flesta har gemensamt att man
ofta har någon riktig data i grunden.
Och så läser ett AI-system hur mönstret
för den datan ser ut ochskapar ny fejkad data.
Där var riskerna för läckage till denriktiga datan blir väldigt små så

(36:47):
att den typen av datasetska kunna göras okänsliga
och då kan egentligen vem som helst arbeta
med dem och man kan till och med göradem open source och lägga ut dem så
att andra kan arbeta med dem.
Så vi hoppas att man i framtidenkan skapa realistiska dataset för
till exempel trauma och stroke och det är
en nytta och en möjlighet vi harsett inom det här projektet också växa fram.

(37:13):
Så det kommer vi att jobba med framöver.
Vi har också fått möjligheten att få endoktorand och ett nytt projekt inom detta
på Chalmers.
Så det blir spännande att se omman kan jobba hela vägen från idé
till nyttiggörande och ta nytta avsandlådemiljöer och syntetiska data
i tidiga skeden även för regulatoriskafrågor då att man kan titta på det.

(37:36):
Och sen gradvis föradet närmare verkligheten
och sen i slutändan då naturligtvisgöra de här skarpa testerna
i den verkliga miljönmed riktiga patienter.
Men då gör man det på ettförhoppningsvis säkrare sätt.
Man gör det inte i onödan utan man vetväldigt mycket i det skedet om systemet

(37:56):
och barnsjukdomar har mankunnat lösa längs vägen.
Och förhoppningsvis är det mest attman ska befästa att det här fungerar,
det här systemet,i den verkliga kontexten.
Stort tack till dig Stefan för att dutog dig ända till Uppsala för att dela

(38:16):
dina insikter och erfarenheter med oss.
Stort tack till er för att jagfick möjligheten att prata med er.
Jättespännande diskussion.
Du har lyssnat till enpodcast från IoT Sverige,
ett strategiskt innovationsprogramfinansierat av Vinnova, Energimyndigheten
och Formas.
Musiken i programmet är skriven avJohannes Bergenheim och jag som producerat

(38:40):
detta avsnitt är Kristin Blom.
Avsnittet har klippts av Maria Bergenheim.