Af Aleksander Johannes Jensen

I PFA har man de seneste år oplevet en støt stigning i antallet af langtidssygemeldinger blandt kunderne. Derfor har Helle Gormsen, der leder PFA’s AI-udviklingsteam, sammen med sit hold udviklet en AI-model, som kan identificere forhøjet risiko for langtidssygemeldinger blandt de kunder, som tidligere har været igennem et behandlingsforløb hos PFA. Ifølge tal fra PFA sænker deres AI-model kundernes risiko for langtidssygdom med 70%.

AI og omsorgsopkald
For otte år siden etablerede PFA et taskforce-team ved navn Early Care. Målet var klart: At støtte langtidssygemeldte kunder i at få det bedre og vende tilbage til arbejdspladsen. De oplevede dog, at mange kunder ofte kom for sent ind i forløbet. Samtidig så de, at en del kunder, der kom i kontakt med Early Care-teamet, var kunder, der tidligere havde gjort brug af PFA’s sundhedsforsikring. Kunder, der allerede var inde i systemet, og kunne være blevet hjulpet tidligere. 

“I dialogen mellem vores AI-team og Early Care-team fandt vi ud af, at AI kan være med til at gøre en stor forskel ved at identificere de kunder, der statistisk set har en forøget risiko for at blive langtidssygemeldte. På den måde kan vi sætte en ekstra indsats ind hos denne gruppe, før langtidssygemeldingen rammer,” fortæller Helle. 

“I dag har vi trænet vores machine learning-algoritmer til at opdage tidlige tegn på sygdom. De indsigter giver vi videre til vores sundhedsfaglige personale, som har den direkte kontakt til kunderne. På den måde kan de tage kontakt og foretage omsorgsopkald til kunderne. Opkaldene er en opfølgning på kundernes forløb hos PFA.” 

De kunder, der bliver ringet op af det sundhedsfaglige personale, er således udelukkende kunder, der tidligere har været i et behandlingsforløb med støtte fra PFA. Opringningerne er en integreret del af PFA’s relation til kunderne, og ofte laves der aftaler mellem PFA og kunden om en opfølgning i kølvandet på et behandlingsforløb: “Der er således ikke noget nyt ved opringningerne. AI-modellen hjælper os bare med at ringe til dem, der har mest brug for det.” 

Rent praktisk har det sundhedsfaglige personale en software på deres computere, hvor algoritmen viser, hvilke kunder der, ifølge dens vurdering, er i øget risiko for en fremtidig langtidssygemelding. Herefter vurderer medarbejderen i sidste ende, om der skal foretages et opkald på baggrund af algoritmens analyse.

“Der kommer dermed altid en menneskelig vurdering oven på algoritmens vurdering,” fortæller Helle, og tilføjer, at lige knap hver fjerde opkald resulterer i, at der sættes ny eller supplerende behandling i gang. 

Projektet har nu stået på i over fem år, og fik for fire år siden fra pilotfasen til at blive en integreret del af PFA’s service. I dag bliver der - på baggrund af modellens forudsigelser - ringet til mere end 100 kunder om måneden.  

Klassisk machine learning
PFA’s model til identificering af sygdomsrisiko baserer sig på machine-learning, der gør den i stand til at analysere og lære af store mængder data. I stedet for at forholde sig til enkelte indikatorer kan modellen arbejde med en bred vifte af datatyper, herunder eksempelvis medarbejdernes brug af sundhedsordningen, relevante demografiske oplysninger samt branche- og jobrelaterede faktorer. 

Modellen er trænet på tusindvis af tidligere forløb og er dermed i stand til at identificere mønstre i data, som statistisk set øger kundens risiko for, at en langtidssygemelding indtræffer. Modellen identificerer dermed kombinationer af oplysninger, som typisk ikke er umiddelbart synlige for mennesker, men som, når de optræder sammen, øger sandsynligheden for, at en medarbejder står over for et længere sygdomsforløb.

Samarbejde på tværs af fagligheder
På kontoret i Nordhavn er der kun én enkelt trappe mellem AI-teamet og det sundhedsfaglige team - og samarbejdet er tæt. 

“Hvis jeg skal pege på én ting, der har gjort, at vi er lykkedes med projektet, så er det vores tætte samarbejde,” siger Helle. 

Helle fortæller, at det sundhedsfaglige personale har en praktisk og direkte erfaring med kunderne, som gør dem i stand til at opdage, når algoritmen vægter de forkerte faktorer eller overser vigtige datapunkter. På den måde har deres indsigt været med til løbende at forbedre modellen. 

“Modellen er et værktøj, de skal bruge i deres arbejde, og derfor har det været helt afgørende, at de har bidraget med konstruktiv feedback og sparring gennem alle projektets faser,” siger Helle. 

De dataetiske spørgsmål melder sig
“Spørgsmål om data og etik har fyldt rigtigt meget i arbejdet med projektet,” fortæller Helle. “Der er to dele i spørgsmålet om ansvarlig dataanvendelse her. Først og fremmest den lovgivningsmæssige forpligtelse. Man skal selvfølgelig overholde GDPR og være transparent omkring, hvordan data anvendes. Det er vores ‘license to operate’,” beskriver Helle og tilføjer at arbejdet er forankret i klare governance-rammer og tilsyn med databeskyttelse og modellens livscyklus - altså hvordan modellen bliver til, hvordan den bruges i hverdagen, samt hvordan de løbende følger op på, om den stadig er ansvarlig og giver gode resultater. 

“Dernæst er der vores eget dataetiske kompas. Vi skal kunne stå inde for projektet.” 

Helle fortæller, at det i den forbindelse er enormt vigtigt for PFA, at modellen bygger på et stærkt dataetisk fundament. Først og fremmest er formålet klart afgrænset. Modellen bruges udelukkende til at tilbyde frivillig forebyggelse, og ikke til andre funktioner i PFA. Derudover beskriver Helle også, at transparens er et centralt dataetisk princip i arbejdet med modellen. Både transparens overfor det sundhedsfaglige personale, der anvender resultaterne, kunderne og offentligheden.

Derudover er det også vigtigt at kunderne får en god oplevelse med det sundhedsfaglige personales brug af AI-modellen. Derfor beder de for eksempel ikke kunderne om mere data, end de allerede deler med PFA, og de følger nøje den feedback, som kunderne bidrager med i forbindelse med projektet. 

AI og sygdomsforudsigelse i fremtiden
“Generelt går det enormt stærkt med AI i PFA. Da jeg startede i PFA for syv år siden, var vi fire, der arbejdede med AI. Dengang handlede det hele tiden for os om at bevise, at AI kunne skabe værdi. I dag er vi 25 i AI-teamet, og der er ikke nogen tvivl om, at AI skaber værdi. Derfor handler det i dag mere om at skalere og udbrede det dér, hvor det giver mening.” 

Helle forklarer, at visionen for projektet med forudsigelse af langtidssygemeldinger er at kunne hjælpe endnu flere kunder i fremtiden. Derudover ser hun et stort potentiale i at udbrede AI til andre dele af den sundhedsfaglige indsats i PFA: “Data og AI spiller en understøttende rolle i sundhedsindsatsen, og vi vil gerne blive endnu bedre til at ramme plet første gang – og hjælpe folk hurtigere med det, de har brug for,” siger Helle. 

Ifølge Helle er der et stort potentiale for lignende anvendelse af AI i forbindelse med forebyggelse i det offentlige sundhedsvæsen. 

“I det offentlige har man selvfølgelig helt anderledes data, så man kan ikke bare kopiere vores model, men man kan bruge mange af vores erfaringer og tanker i arbejdet med forebyggelse.” 

Hun påpeger, at PFA har oplevet stor værdiskabelse i forbindelse med projektet, og at der efter hendes vurdering er potentiale for lignende og potentielt større effekt i det offentlige. 

Mød Helle Gormsen

Helle Gormsen har en uddannelsesmæssig baggrund i kvantefysik med to kandidatgrader. Under sin uddannelse, der primært fandt sted på Københavns Universitet, tilbragte hun et år på University of Cambridge og var også en smuttur forbi CERN i Genève, hvor hun arbejdede med machine learning inden for partikelfysik.

“Forskningsverdenen var enormt spændende, men jeg havde lyst til at arbejde med noget, der havde en reel indflydelse på mennesker. Den røde tråd igennem mit arbejde med partikelfysik, AI, pension og forsikring er i høj grad dataarbejdet. Det har været et gennemgående tema i mit arbejdsliv og en evne, der er en stor fordel i mit arbejde med AI i PFA.”