Sammendrag

Lav fysisk kapasitet er assosiert med like høy dødelighetsrisiko som diabetes, høyt blodtrykk, røyking og fedme. Fysisk kapasitet er en viktig helseindikator å kartlegge ved både forebygging og behandling. Direkte måling av fysisk kapasitet er en påkjenning for pasienten og er avhengig av erfaring, tid og kunnskap fra en testleder, samt en økonomisk kostnad. Derfor blir fysisk kapasitet ofte ikke kartlagt som en viktig helseindikator. Det eksisterer i dag enkle statistiske modeller som estimerer fysisk kapasitet hos normalbefolkningen, men fedmepasienter faller utenfor de enkle statistiske modellene og får et upresist estimat på fysisk kapasitet. Kunstig intelligens, dyp læring, kan utføre mer omfattende modeller basert på et unikt datamateriale fra fedmepasienter, innsamlet ved Sykehuset i Vestfold. Dermed kan KI gi et fedmespesifikk estimat for fysisk kapasitet basert på vitale parametere. Den KI-baserte modellen skal tilgjengeliggjøres for brukerne via en webapplikasjon. Webapplikasjonen vil støtte helsepersonell og foretaket i å levere raskere, målrettet og persontilpasset behandling, redusere belastningen på helsetjenestene og frigjøre tid til annet pasientrettet arbeid. Pasientene kan bruke webapplikasjonen for å ta mer ansvar for egen helse, forebygge heleseproblemer og øke helsekompetansen. Formålet med prosjektet er å utvikle en modell som kan gi et fedmespesifikt estimat på fysisk form ved hjelp av KI-teknologi, samt implementere det som et klinisk verktøy.

Hovedmålet er å utvikle en fedmespesifikk dyp lærings modell som bruker enkle vitale parametere for å estimere fysisk kapasitet (primære) og implementere dette som et klinisk verktøy (sekundær).

Prosjektets delmål:

1. Trene og evaluere flere statistiske modeller for estimering av fysisk kapasitet hos pasienter med fedme og velge ut modellen med best ytelse.
2. Utvikle modellen i en webapplikasjon.
3. Uttesting av webapplikasjonen i primær- og sekundærhelsetjenesten.
4. Prospektiv validering av modellen og validere resultatene mot direkte målinger av fysisk kapasitet i sekundærhelsetjenesten.
5. Utvikle monitorering av modellen og evaluere kontinuerlig re-trening basert fortløpende innsamlede datamaterialet fra klinikk.
6. Evaluering av nytteverdi.

Prosjekteier er Sykehuset i Vestfold ved prosjektleder Jarle Berge og Bjørn-Jostein Singstad. Prosjektet utvikles i samarbeid med Larvik Kommune, Landsforeningen for overvektige og Sykehuset i Telemark.

Prosjektet vurderer at prossesveiledningen fra InnoMed har vært nyttig i bidrag til organisering, gjennomføring og oppsummering av workshop for behandlere og brukertesting for behandlere og pasienter. Dette har gitt prosjektet kunnskap om hvordan workshop gjennomføres og bedre oversikt over egen løsning (Business Model Canvas). Prosjektet har fått en økt innsikt i brukernes behov og utfordringer rundt bruk av applikasjonen. Dette har ført til endringer og forbedring av webapplikasjonen. Planen vil være å utvikle AI- modellen basert på treningsdata fra klinikk for å integrere den i webapplikasjonen, samt teste den. Deretter blir det å utvikle webapplikasjon ytterligere i tett samarbeid med brukere (pasient og behandler).

Innledning

Bakgrunn for prosjektet

Fysisk kapasitet, også kalt kondisjon, er kroppens evne til å oppta oksygen under belastning. Lav fysisk kapasitet er assosiert med like høy dødelighetsrisiko som diabetes, høyt blodtrykk, røyking og fedme. Fysisk kapasitet er derfor blitt en viktig helseindikator å kartlegge ved både forebygging og behandling av den kroniske lidelsen fedme. "Gullstandarden" for direkte måling av fysisk kapasitet (VO2max) består av en belastningstest på tredemølle/sykkel tilkoblet kostbart medisinsk utstyr (> 700.000 kr). Testen er en påkjenning for pasienten og er avhengig av erfaring, tid og kunnskap fra en testleder. Disse utfordringene i kombinasjon med de økonomiske kostnadene bidrar til at fysisk kapasitet ofte ikke blir kartlagt som en viktig helseindikator.

Det siste tiåret har utviklingen innen kunstig intelligens (KI) vist at disse avanserte modellene kan løse problemer som tidligere var umulig. De mest avanserte formene for KI skiller seg fra enklere statistisk modellering ved å kunne forstå ulineære sammenhenger i datamaterialet, i motsetning til statistisk modellering som ser på lineære sammenhenger i datamaterialet. At en modell kan se ulineære sammenhenger gjør at den kan approksimere en hvilken som helst matematisk funksjon som i praksis betyr at man kan se sammenhenger i datamateriale som er umulig for klassiske statistiske metoder og kan dermed også føre til forbedret ytelse. KI har hatt en rask økende internasjonal interesse innen forskning og har også funnet veien til reelle kliniske verktøy i helsevesenet i Norge.

Målgruppen for prosjektet er pasienter med BMI > 30 og deres behandlere i primær- og spesialisthelsetjenesten. Sykehuset i Vestfold leder/eier prosjektet, med Jarle Berge som prosjektleder. I tillegg deltar følgende institusjoner i prosjektet: Larvik Kommune, Sykehuset i Telemark, Universitetet i Sør-Øst Norge, Muritunet behandlingssenter og Landsforeningen for overvektige.

Dette verktøyet vil kunne bidra til å demokratisere og tilgjengeliggjøre fysisk kapasitet for enkeltpersoner, helseinstitusjoner, fastleger og frisklivssentralen som ikke har mulighet til å utføre direkte måling av fysisk kapasitet. Videre kan dette føre til økt innsikt slik at fysisk kapasitet blir en nyttig diagnostisk og prognostisk helseindikator.

Prosjektets mål

Prosjektets mål er å utvikle en fedmespesifikk KI-modell som bruker enkle vitale parametere for å estimere fysisk kapasitet hos pasienter med fedme og implementere dette som et klinisk verktøy i form av en webapplikasjon. Utviklingen og treningen av KI-modellen skal gjøres på allerede innsamlede data fra Sykehuset i Vestfold, der resultat fra direkte målinger av fysisk kapasitet (VO2max) brukes som treningsmål (“ground truth”) for KI-modellen (Figur 1). Videre er målet å publisere den ferdig trente KI-modellen på en webserver slik at estimering av fysisk kapasitet kan gjøres via et “Application Programming Interface” (API), og videre presentere estimatet fra modellen i en webapplikasjon som gjør det enkelt for behandlere og pasienter å estimere fysisk kapasitet. Målet er at dette systemet skal bidra til økt tilgjengelighet og bruk av fysisk kapasitet som en nyttig diagnostisk og prognostisk helseindikator. 

Prosjektets vurdering av innovasjonshøyde

Prosjektet mener at denne løsningen kan bli en internasjonal innovasjon da fedme er et verdensomspennende problem hvor fysisk kapasitet kan spille en viktig rolle for å kartlegge helserisiko, sammen med andre indikatorer for valg av behandling og forebygging. Dessuten er programvare-baserte innovasjoner, slik som denne, svært skalerbart og spredning kan enkelt gjøres gjennom internett.

Hva InnoMed har bistått med

Hvilke aktiviteter har InnoMed bistått med? 

Innomed har i hovedsak bistått prosjektet med følgende aktiviteter våren 2024: 

1. Organisering, gjennomføring og oppsummering av workshop for behandlere
2. Organisering, gjennomføring og oppsummering av brukertesting for behandlere og pasienter

Før Innomed ble involvert hadde prosjektet startet utviklingen av en webapplikasjon ved hjelp av studenter fra Universitet i Sør-Øst Norge. Webapplikasjonen ble utviklet i Microsoft ASP.NET og hensikten med den var å gi brukerne et brukervennlig grensesnitt til KI-modellen som fortsatt er under utvikling. I tillegg hadde Sykehuset i Vestfold organisert en oppstartsworkshop for alle prosjektdeltakere, inspirert av «design thinking», hvor en mottok forslag og innspill til videre utvikling. Etter denne workshopen ble Innomed involvert i prosjektet og de nevnte aktivitetene dannet bakteppet for samarbeidet. 

I første fase av samarbeidet med InnoMed planla vi aktiviteter, tidsplan- og tidsbruk.

Første hovedaktiviteter var å planlegge en digital workshop for behandlerne som deltar i prosjektet. Her tok vi utgangspunkt i Business Model Canvas, et rammeverk bestående av ni byggeklosser. Rammeverket hjelper med å kartlegge kundesegmenter, verdiløfte, kanaler, kunderelasjoner, inntektsstrøm, ressurser, kjerneaktiviteter, partnere og kostnader. Canvasen skal være et levende dokument som kan oppdateres underveis i prosjektet etter hvert som vi får mer innsikt.

Neste hovedaktivitet var å gjennomføre brukertesting av webapplikasjonen. Brukertesten tok utgangspunkt i webapplikasjonen som bachelorstudentene ved Universitet i Sør-Øst Norge hadde utviklet. Brukertestene ble gjennomført digitalt og det ble gjennomført 7 tester, der representanter fra de ulike målgruppende deltok: Både ansatte og pasienter i målgruppa. Testene fulgte etablert metodikk for usability testing (brukskvalitetstesting). Prosessveilederne fra InnoMed forberedte, gjennomførte og analyserte materialet, mens personer fra prosjektgruppa deltok i både forberedelse-og gjennomføring for kompetansebygging om metodikken.

Hva har prosjektet oppnådd?

Dette prosjektet startet i januar 2024 og hadde før prosessveiledning fra InnoMed rukket å starte utviklingen av en webapplikasjon ved hjelp av Universitet i Sør-Øst Norge. I tillegg hadde prosjektet gjennomført en idé-workshop med alle prosjektdeltakere. 

Da InnoMed ble involvert i prosjektet fikk prosjektet bistand til organisering, gjennomføring og oppsummering av workshop for behandlere, samt brukertesting for behandlere og pasienter. Dette ga prosjektet en bedre oversikt over egen løsning (Business Model Canvas) og økt innsikt i brukernes behov, samt utfordringer og muligheter rundt bruk av applikasjonen (brukertesting). 

I etterkant av prosessveiledningen har prosjektgruppa implementert noen av forbedringene som ble foreslått som følge av brukertestingen, mens andre innspill tas i videre utvikling av webapplikasjonen.

Prosjektets erfaringer og læringspunkter etter prosessveiledning fra InnoMed

Gjennom prosjektperioden med prosessveiledning fra InnoMed har prosjektet fått praktisk erfaring i det å planlegge og gjennomføre workshop og brukertester, samt at prosjektet har lært å bruke Business Model Canvas som et verktøy for å holde oversikt over økosystemet rundt løsningen. Gjennom brukertestene har prosjektet fått utfordet noen og fått ny og dypere innsikt om relevante brukere. Det er fortsatt stor tro på prosjektet og produktet, og prosjektet vil jobbe videre for at prosjektet skal bli en nyttig diagnostisk og prognostisk helseindikator for pasienter med fedme.

Veien videre

Prosjektet vil i det neste halvåret nå gå over i en fase hvor fokuset vil flyttes mer mot utviklingen av KI-modellen og det vil være mindre aktivitet på videreutvikling av brukergrensesnittet. Prosjektet planlegger likevel å ha noen workshops og brukertester også i den kommende perioden for å innhente tilbakemeldinger på både brukergrensesnitt og ytelse/funksjonalitet på modellen.