Länkstig

Simuleringar, Modeller och Arbetsstrategier inom RadioTerapi (SMART II)

Forskningsprojekt
Pågående forskning
Projektets storlek
2018-2022: ca 1 000 000 kr/år. 2022-2026: ca 400 000 kr/år.
Projekttid
2019 - 2026
Projektägare
Institutionen för kliniska vetenskaper

Finansiär
Vetenskapsrådet (2017-01753), Familjen Kamprads stiftelse (20190083), ALF-medel VGR (ALFGBG-720111, ALFGBG-965800), Jubileumsklinikens Cancerfond (2021:347).

Kort beskrivning

I detta projekt tillämpar vi simuleringar, statistiska metoder och tekniker i en strålbehandlingsmiljö för att föreslå praktiska lösningar på kliniskt relevanta problem och frågeställningar. Ett första doktorandprojekt innefattade kartläggning av arbetssätt inom svensk strålbehandling och systemdynamisk modellering för att testa och utvärdera olika scenarier. Med utgångspunkt i tidigare arbete fortsätter vi vår forskning att nyttja ett datadrivet tillvägagångssätt för att hitta strategier att förbättra arbetsflöden inom strålbehandling. Projektet utgår ifrån realtidsdata och skapar ett automatiserat dataextraktionsverktyg som möjliggör användande av strålbehandlingsdata utanför kliniska system. Vi undersöker också sätt att använda en dynamisk väntelista som stöd vid bokning av behandling och olika sätt att kvantifiera väntetid.

Bakgrund

Ungefär en av två cancerpatienter genomgår strålbehandling. Med en åldrande befolkning blir antalet cancerpatienter allt fler och därmed ökar också behovet av strålbehandling. Svensk strålbehandling står redan inför stora utmaningar, framför allt när det gäller arbetsbelastning, utbildning och rekrytering av personal.

Med tanke på den redan ansträngda situationen kan framtida efterfrågan på strålbehandling bli svår att möta och det finns risk för långa väntetider innan patienter kan starta sin behandling. Strålbehandling är dessutom en tidskritisk cancerbehandling med radiobiologisk grund som motiverar vikten av att hålla till det bestämda behandlingsupplägget för att inte äventyra möjligheterna till bot.

För att lösa operativa problem inom strålbehandling kan simuleringar och beräkningsmetoder vara ett tidseffektivt sätt att hjälpa till att identifiera förbättringsområden. Skapade modeller kan också förutsäga scenarier om sannolika effekter ifall identifierade lösningar skulle implementeras i verkligheten.

Beslutsstöd inom vården utgår ofta ifrån sådana modeller och är avsedda att underlätta den kliniska beslutsprocessen för både vårdpersonal och patienter. Konceptet beslutsstöd kan även appliceras på en mer organisatorisk nivå för att skapa tekniska lösningar som hjälper personal i beslutsprocesser för att förbättra ett befintligt kliniskt arbetsflöde.

Syfte

Det övergripande syftet med detta projekt är att utveckla och testa olika beslutsstödsstrategier för att hjälpa strålbehandlingsverksamheter att effektivisera sitt arbete givet befintligt antal personal och tillgänglig utrustning för behandling.

Förhoppningen är att projektet ska ge ökade möjligheter för chefer och personal att optimera användningen av begränsade strålbehandlingsresurser med bibehållen eller förbättrad säkerhet, behandlingskvalitet, arbetsbelastning och patientnöjdhet.

Mål

Vårt mål är att med hjälp av ett datadrivet tillvägagångssätt möjliggöra extern användning av lagrad data i it-system för strålbehandling, så kallad Oncology Information Systems (OIS), och skapa beslutsstöd som kan användas för att underlätta det dagliga arbetet vid en strålbehandlingsavdelning.

Resultat

Tidigare resultat från projektet har sammanfattats i en doktorsavhandling från 2021 (1).

I ett andra doktorandprojekt har vi nyligen skapat ett verktyg för automatisk extrahering, rensning och formatering av OIS-data eftersom lagrad information i OIS vanligtvis är i ett ostrukturerat format och behöver bearbetas innan användning (2).

Figur 1. Användargränssnitt för extraktionsverktyget. Tidsperiod väljs med hjälp av datumväljaren längst upp i fönstret. Genom att välja någon av strålbehandlingsaktiviteterna extraheras all data relaterad till den valda tidsperioden.

Verktyget testades med hjälp av data från en stor strålbehandlingsavdelning i Sverige och fanns kunna skapa färdiga datamängder för extern användning såsom efterfrågat. Den tid som verktyget tog för att automatiskt skapa datamängderna var betydligt mindre jämfört med manuellt förfarande och med resultat nära referensdatamängden. Våra resultat visade också att när den automatiskt skapade datamängden användes som indata till en extern exempelapplikation blev resultatet liknade det då referensdatamängden användes som indata.

Bild
Figur 2. Årligt inflödesmönster för remisser till strålbehandlingsavdelningen vid Sahlgrenska Universitetssjukhuset (84 diagnoser; resultat enligt manuellt och automatiska dataset).

Framtida arbete

I det kommande arbetet kommer vi att identifiera faktorer som potentiellt påverkar väntetider till strålbehandling för att skapa en modell för en dynamisk väntelista som kan användas som stöd vid bokning av strålbehandling. Modellen kommer att ta hänsyn till kliniska faktorer och patientegenskaper och vi kommer också undersöka sätt att automatanpassa behandlingstider efter den individuella situationen.

Vi genomför även personalintervjuer för att bättre förstå organisationsförändringar eller andra betydande händelser som också påverkat patienters väntetid historiskt.