Når algoritmen forudsiger risikoen for bæltefiksering

06.11.2025

En patient råber, personalet træder et skridt tilbage. Situationen er ved at eskalere. På et splitsekund skal personalet vurdere, om der er risiko for, at nogen kommer til skade – og hvilke muligheder der er for at forhindre det.

Men hvad nu, hvis en algoritme kunne advare personalet, før det når dertil?

– Der er virkelig meget, man skal have styr på, når man indlægger en patient. Det er ikke sikkert, man lige har øje for, om der er risiko for, at vedkommende bliver udadreagerende, fortæller Andreas Danielsen, speciallæge og ph.d. ved Afdeling for Psykoser.

Netop den tanke – og et oplæg på en konference om maskinlæring – blev startskuddet til hans ph.d.-projekt. Han ville undersøge, om en maskine kunne hjælpe med at læse patientjournaler med et specifikt formål: at vurdere risikoen for, at en patient ville opleve at blive bæltefikseret

I begyndelsen testede Andreas, om maskinlæringsalgoritmer kunne forudsige både bæltefiksering og selvmord. Senere blev fokus skærpet til bæltefikseringer. Nu, seks år senere, er algoritmen klar til implementering i alle almene sengeafsnit i Psykiatrien i Region Midtjylland.

Maskinlæring er en form for kunstig intelligens, hvor en computer lærer af data og bruger sin viden til at forudsige mønstre.

Andreas og hans kollegaer trænede algoritmen til at analysere strukturerede data i den elektroniske patientjournal – fx tidligere tvang, Brøset-score, selvmordsrisiko, udgang, medicin, køn og alder.

– Ud fra de data finder algoritmen mønstre og kan forudsige, hvilke patienter der inden for de næste to døgn vil være i høj risiko for at blive lagt i bælte, fortæller han.

Hver nat kører algoritmen og inddeler patienterne i høj og lav risiko. Den viser også, hvilke patienter der tidligere har været lagt i bælte.

– Få patienter bliver lagt i bælte mange gange, mens mange patienter oplever det få gange. Det er især de patienter, der aldrig har været udsat for bæltefiksering før, der er sværest at opdage. Derfor leder vores algoritme efter dem, siger Andreas.

Andreas arbejder i dag 80 procent i klinikken og 20 procent med forskning – og kombinationen er afgørende.

– Jeg synes, det er sjovt at koble den datalogiske del med psykiatriske problemstillinger. Jeg har jo viden fra begge verdener qua min bachelorgrad i datalogi og matematik, siger han.

Formålet er at skabe et værktøj, der både giver mening i klinisk praksis og kan være med til at nedbringe brugen af tvang.

Algoritmen er blevet testet på et sengeafsnit, hvor den i gennemsnit udpeger to patienter i høj risiko om dagen. De kaldes SaFe-patienter.

Når en patient vurderes i høj risiko, får personalet et ekstra blik på vedkommende:

– Så iværksætter de typisk interventioner som at opdatere mestringsplaner, handlingsplaner, behandlingsplaner og en akut medicinplan. Det er kendte værktøjer, som kan bruges til at forebygge, at patienten bliver udadreagerende, forklarer Andreas.

I den elektroniske patient journal (EPJ) vises SaFe-patienterne direkte på afsnittets oversigt. Herfra kan klinikerne klikke sig videre til en E-Dok-retningslinje, der beskriver de anbefalede interventioner.

For Andreas er det afgørende, at teknologien bruges som beslutningsstøtte – ikke som erstatning for det kliniske blik.

– Den her teknologi kan hjælpe os med mange ting, men den forstår ikke den verden, den bevæger sig i. Derfor er det afgørende, at vores kliniske kompetencer er i spil, både når vi udvikler og anvender algoritmerne, siger han.

Projektet er udviklet i tæt samarbejde med Mads Sinding, teamleder i Team for Automatisering og Data i Psykiatristaben.

– Det har ikke kunnet lade sig gøre uden ham, siger Andreas.

– Og nu glæder jeg mig til at fortsætte arbejdet sammen med professor Søren Dinesen Østergaard og de andre forskere i gruppen for maskinlæring.

Når algoritmen rulles ud i hele regionen i november 2025, følger der undervisning og opfølgning med.

– Det nye bliver, at klinikerne hver morgen kan se SaFe-patienterne direkte i EPJ og hurtigt orientere sig om, hvem der kræver særlig opmærksomhed. Det er et konkret værktøj, der kan bruges her og nu, siger Andreas.

Forskerne vil følge nøje med i, hvordan algoritmen bliver brugt i praksis, og om den faktisk kan bidrage til at reducere brugen af tvang.

Han ser store muligheder i at bruge data og maskinlæring som støtte i psykiatrisk behandling – men altid med mennesket i centrum.

– Fremtiden ligger åben. Jeg tror, vi vil se mange flere eksempler på teknologi, der kan hjælpe os med at opdage mønstre tidligere. Men teknologien skal aldrig erstatte den menneskelige vurdering. Den skal gøre os bedre til det, vi allerede gør, siger han.