Dansk forskning i kunstig intelligens kan forudsige risiko for tilbagefald hos misbrugere

Værktøj, der kan forudsige tilbagefald blandt misbrugere på baggrund af patientjournaler, skal nu benyttes i journalsystem.

Ved hjælp af maskinlæring kan ny, dansk speciale-forskning med stor nøjagtighed forudsige tilbagefald og dermed hjælpe behandlere med at forebygge.

Det er et resultat af et specialeprojekt fra softwareudvikling på IT-Universitetet i København. Nyslået cand.it. Christopher Bjerre har konstrueret et værktøj, som ved hjælp af data om en stofmisbrugers historik kan forudsige risikoen for tilbagefald.

Han indgik et samarbejde med udvikleren bag journalsystemet Validi og fik derigennem adgang til anonymiserede patientdata fra et sjællandsk døgntilbud for misbrugere.

»Forskningen viser, at jo længere tid, man er i behandling, desto større sandsynlighed er der for, at du holder dig clean. Så målet var at lave et værktøj, der kan hjælpe behandlere med at blive opmærksomme på patienter, som er ved at få et tilbagefald, og dermed kan hjælpe med til at gøre klienterne stoffri,« fortæller Christopher Bjerre til ITU’s nyhedsportal.

Han har fundet en bestemt kombination af algoritmer til maschine learning, som med stor nøjagtighed kan forudsige tilbagefald og dermed hjælpe behandlere med at forebygge, at det sker.

Bygger på egne erfaringer

Emnet til specialet blev ikke trukket ud af den blå luft.

Nyslået cand.it. i softwareudvikling fra ITU Christopher Bjerre har udviklet en algoritme, der med meget stor sandsynlighed kan forudsige, om en misbruger falder tilbage. Den bygger blandt andet på egne erfaringer.

»Da jeg var i starten af tyverne, havde jeg selv misbrug tæt inde på livet. Derfor var motivationen bag specialet at bruge min viden om software kombineret med mine egne erfaringer med misbrug til at gøre en positiv forskel for misbrugere,« siger Christopher Bjerre.

Han gravede i forskningen om, hvilke faktorer, eller såkaldte predictors, der har størst betydning for risikoen for tilbagefald blandt misbrugere. Det blev suppleret med egne erfaringer i forhold til misbrugsbehandling.

De tilgængelige data i journalsystemet er blandt andet køn, alder, postnummer, medicinbrug og kontakt med sundhedspersonale. Alle sammen faktorer, der influerer sandsynligheden for tilbagefald.

»En heroinmisbruger skal for eksempel have metadon to gange om dagen på bestemte tidspunkter. Hvis en klient begynder at tage medicinen uden for tidsrammen eller helt dropper at tage den, er det en stærk indikation på, at noget er ved at gå galt, og at personen risikerer at droppe helt ud af behandlingsstedet.«

Hash, opiater eller alkohol?

En af udfordringerne i processen med at rense data var, at det ikke fremgik af journalerne, hvilket stof klienten primært brugte. Det er en vigtig indikator for risikoen for tilbagefald, og derfor udviklede Christopher Bjerre en model, der med 87 procents nøjagtighed kunne klassificere, hvilken type stof klienten var afhængig af, f.eks. hash, opiater eller alkohol, ud fra tekstbaserede journaler. Modellen bygger på en metode med navnet 'naive Bayes classifier.'

I arbejdet med at finde frem til den rette algoritme til at forudsige tilbagefald, var Christopher Bjerre særligt interesseret i såkaldte 'white box'-metoder, som kan afsløre mønstre i behandlingen og giver mulighed for at granske, hvilke faktorer der spiller ind i forhold til risikoen for tilbagefald.

Valget faldt på metoden ‘decision tree learning', eftersom den netop giver mulighed for at finde en forklaring på, hvorfor en klient risikerer tilbagefald eller ej, og dermed kan hjælpe behandlerne med at tilpasse behandlingen til den enkelte. I tests opnåede denne metode en nøjagtighed på 89 procent på data, som algoritmen ikke var trænet på.

Kommerciel anvendelse på vej

Udvikleren bag journalsystemet Validi, som blev benyttet i forskningen, har bedt ham om at implementere det i softwaren.

Ideen er, at systemet kan samle en enorm mængde data og finde mønstre, som et menneske ikke opdager.

Christopher Bjerre understreger, at software altid kun vil være et supplement til den eksisterende behandling.

»Behandlerne kender klienterne og har stor erfaring med misbrugsbehandling, og det vil en computer aldrig kunne erstatte. Ideen er, at systemet kan samle en enorm mængde data og finde mønstre, som et menneske måske ikke ville have opdaget, og dermed kan være en værdifuld assistance for behandlerne.«

Tips og korrekturforslag til denne historie sendes til tip@version2.dk
Følg forløbet
Kommentarer (0)
Log ind eller Opret konto for at kommentere
Pressemeddelelser

Welcome to the Cloud Integration Enablement Day (Bring your own laptop)

On this track, we will give you the chance to become a "Cloud First" data integration specialist.
15. nov 10:31

Silicom i Søborg har fået stærk vind i sejlene…

Silicom Denmark arbejder med cutting-edge teknologier og er helt fremme hvad angår FPGA teknologien, som har eksisteret i over 20 år.
22. sep 2017

Conference: How AI and Machine Learning can accelerate your business growth

Can Artificial Intelligence (AI) and Machine Learning bring actual value to your business? Will it supercharge growth? How do other businesses leverage AI and Machine Learning?
13. sep 2017