Algoritme kan forudsige bæltefikseringer
Men den kan ikke fungere i psykiatrien, fordi systemet er for længe om at indsamle de data, den skal bruge.
psykiatri bæltefiksering algoritme

Ved en bæltefiksering spændes patienten fast til en seng med et bælte om maven og remme om armene og benene. I 2018 blev 1.374 danske patienter fastspændt med bælte, mens de var indlagt. (Foto: Region Hovedstaden)

Ved en bæltefiksering spændes patienten fast til en seng med et bælte om maven og remme om armene og benene. I 2018 blev 1.374 danske patienter fastspændt med bælte, mens de var indlagt. (Foto: Region Hovedstaden)

I Region Midtjylland har en gruppe forskere trænet og afprøvet en algoritme, som vil kunne forudsige, om en psykiatrisk patient vil blive tvangsfikseret med bælte i løbet af de første tre døgn, han eller hun er indlagt.

Ud fra en række data om patientens tidligere forløb, og de ting personalet indtaster, lige når patienten bliver indlagt, giver algoritmen hver enkelt patient en score fra 0-100.

Jo højere score, des højere sandsynlighed for at patienten vil blive lagt i bælte i løbet af de næste dage.

Facts om bæltefikseringer

Bæltefikseringer må bruges i psykiatrien, hvis man vurderer, at patienten er til fare for sig selv eller andre, og man har forsøgt alt andet, uden at den fare er reduceret.

Ved en bæltefiksering spændes patienten fast til en seng med et bælte om maven og remme om armene og benene.

I 2018 blev 1.374 danske patienter fastspændt med bælte, mens de var indlagt, viser tal fra Sundhedsdatastyrelsen. I alt blev der påbegyndt 3.692 bæltefikseringer.

En del patienter blev altså bæltefikseret flere gange.

Region Midtjylland, hvor studiet er lavet, bruger bæltefikseringer hyppigst sammenlignet med de andre regioner i Danmark.

I gennemsnit 4 bæltefikseringer per patient.

»Hvis vi forestiller os, at man lod algoritmen advare personalet om de 12 procent af patienterne, som har den højeste risiko for at blive bæltefikseret, så kan vi faktisk forudsige 74 procent af alle bæltefikseringer,« siger ph.d.-studerende på Aarhus Universitet Andreas Aalkjær Danielsen, der også er læge i psykiatrien.

Han har stået bag det nye studie og er førsteforfatter på en artikel om resultaterne i det videnskabelige tidsskrift Acta Psychiatry Scandinavia.

Redskab til at forebygge bæltebrug

Ifølge Andreas Aalkjær Danielsen ville algoritmen være et godt redskab til personalet i forhold til at forebygge bæltefikseringer.

»Personalet vurderer selvfølgelig også patienten, når vedkommende bliver indlagt, og er særligt opmærksomme på patienter, som vurderes i risiko for at blive bæltefikseret.«

På den måde kan man forsøge at forebygge nogle fikseringer.

»Men der er nogle, man ikke fanger, som vi måske kan fange med vores algoritme,« siger Andreas Aalkjær Danielsen.

Forskning søger løsninger

Videnskab.dk fokuserer i et tema på forskning, der skal gavne velfærdssamfundet. Følg med i temaet her.

Temaet støttes af TrygFonden, som dog ikke har indflydelse på, hvilken forskning vi skriver om, og hvordan artiklerne skrives. 

Læs om aftalen her.

På den anden side af Lillebælt nemlig på Syddansk Universitet i Odense sidder lektor i retspsykiatri Frederik Gildberg. Han har læst Andreas Aalkjær Danielsens nye studie.

»Det er fedt. Rigtig spændende. Det skal de bare køre videre med,« siger han.

Frederik Gildberg forsker selv i tvang og bæltefikseringer i retspsykiatrien. Efter hans mening vil det være et godt bidrag til en reduktion af bæltefikseringer, hvis man kunne begynde at bruge den algoritme.

Data kan ikke hentes hurtigt nok

Desværre kan algoritmen faktisk slet ikke bruges, som det ser ud nu. Det har nemlig vist sig, at de data, den skal bruge, for hurtigt at vurdere hvem der er i risiko for at blive lagt i bælte, ikke kan hentes hurtigt nok.

»I Region Midtjylland indhentes data om patienternes tidligere forløb kun en gang om dagen. Så man kan ikke få adgang til det hurtigt nok til at kunne forudsige bæltefiksering en time efter indlæggelse,« siger Andreas Aalkjær Danielsen.

Algoritmen skal bruge data om patientens tidligere forløb og kombinere det med de bemærkninger personalet taster ind i journalen, lige når patienten bliver indlagt. Og de data er simpelthen ikke samlet, en time efter patienten bliver indlagt, i virkelighedens psykiatri.

Det undrer ikke Frederik Gildberg.

»Jeg vil tro, at det er det samme her. Men det må man da kunne løse. Så må vi arbejde på at få adgang til data hurtigere,« mener han. 

Ifølge Andreas Aalkjær Danielsen er det dog svært at forestille sig, at man vil kunne lave de omstruktureringer, der skal til for at kunne få adgang til data hurtigt nok, og der er ikke umiddelbart udsigt til, at algoritmen vil kunne bruges.

Personalets forhold til patient påvirker risiko for bæltefiksering

Samtidig kunne Frederik Gildberg godt tænke sig, at forskerne fra Aarhus Universitet lavede en artikel om, hvilke begreber og vendinger personalet bruger i deres journaler, og som algoritmen fanger og får den til at forudsige bæltefiksering.

»Fra min egen forskning ved vi, at hvis personalet har kendskab til, at en patient, som ligger i bælte, har brugt vold mod personalet tidligere, påvirker det deres vurdering af patienten, og om han kan løsnes af bæltet,« fortæller Frederik Gildberg

Hans kvalitative forskning har vist, at personalet selv vurderer, at jo bedre de kender patienten, og jo mere forudsigelig patienten er, jo mindre er sandsynligheden for, at der bliver brugt tvang, for eksempel bæltefikseringer.

»Gad vide om algoritmen fanger de dele med relationen til personalet, og personalets kendskab til patienten? Det kunne være spændende at læse om. Men jeg synes bare, de skal køre på og begynde at bruge den,« siger han.

Sådan blev algoritmen trænet

Forskerne indsamlede data om i alt 5.050 patienter, som blev indlagt i psykiatrien i Region Midtjylland fra 2011-2015, og som ikke havde været udsat for bæltefiksering tidligere. Både i den almindelige psykiatri og i retspsykiatrien.

I alt 100 ud af de 5.050 blev bæltefikseret under deres indlæggelse.

Forskerne brugte data fra forskellige registre for at finde ud af, om patienten havde været indlagt tidligere, udsat for tvang tidligere og om vedkommende var tvangsindlagt. Algoritmen fik også at vide, hvilken diagnose patienten havde.

Derudover indgik de data, der var indtastet, lige når patienten blev indlagt. Det er for eksempel data om risikoen for selvmordsforsøg, om patienten virker aggressiv, patientens score på et risikoskema, som vurderer risikoen for, at patienten bliver voldelig - et BVC-skema.

Algoritmen fik alle oplysninger om 70 procent af de 5.050 patienter, inklusiv om de var blevet bæltefikseret i løbet af de første tre dage.

Ud fra det fandt den mønstre, som øgede risikoen for bæltefiksering. For eksempel diagnosen skizofreni kombineret med, at man var tvangsindlagt og havde en høj score på risko-for-vold-skemaet.

Derefter blev den testet på de resterende 30 procent, men uden at få at vide, om de endte med at blive lagt i bælte. Og her viste det sig altså, at den ramte ret præcist.

... Eller følg os på Facebook, Twitter eller Instagram.

Videnskab.dk Podcast

Lyt til vores seneste podcast herunder eller via en podcast-app på din smartphone.


Se den nyeste video fra Tjek

Tjek er en YouTube-kanal om videnskab og sundhed henvendt til unge.

Indholdet på kanalen bliver produceret af Videnskab.dk's Center for Faglig Formidling med samme journalistiske arbejdsgange, som bliver anvendt på Videnskab.dk.