sked med färgglada tabletter i

Projekt: Prediktion av läkemedelsrelaterade problem och risker

Läkemedelsrelaterade problem är ett stort problem för samhället, särskilt med en åldrande befolkning och ökad användning av läkemedel. Forskningsprojektet ska ge bättre kunskap om förekomsten av läkemedelsproblem, hur väl nuvarande kunskapsdatabaser kan förutsäga faktiska problem och hur de kan förbättras.

Fakta om projektet

Fullständig projekttitel
Prediktion av läkemedelsrelaterade problem och risker – ett nytt läkemedelsepidemiologiskt tillvägagångssätt baserat på real-world data, beslutsstödsalgoritmer och maskininlärning
Projektledare
Tora Hammar
Övriga projektmedlemmar
Alisa Lincke, Olle Björneld, Rafael Messias Martins, Welf Löwe, Thomas Holgersson, Patrick Bergman, Linnéuniversitetet; Daniel Nilsson, AI Sweden; Celina Sving, Region Uppsala; Ulrika Gillespie, och Torbjörn Linde, Akademiska sjukhuset Uppsala; Ylva Askfors, Ersta Diakoni; Björn Wettermark, Uppsala universitet; Marine Andersson, Karolinska universitetssjukhuset Huddinge; Emma Jonsén, E-hälsomyndigheten
Deltagande organisationer
Linnéuniversitetet, Region Kalmar län, Region Stockholm, Uppsala universitet, Karolinska universitetssjukhuset Huddinge, E-hälsomyndigheten
Finansiär
Forte: Forskningsrådet för hälsa, arbetsliv och välfärd
Tidsplan
1 jan 2023 – 31 dec 2026
Ämne
Ehälsa, hälsoinformatik (Institutionen för medicin och optometri, fakulteten för hälso- och livsvetenskap)

Mer om projektet

Frågeställning

Läkemedelsrelaterade problem är en vanlig orsak till sjukhusinläggningar och dödsfall. Många problem med läkemedel kan förebyggas genom att använda kliniska beslutsstödsystem inom hälso- och sjukvården. I Sverige har vi Janusmed kunskapsdatabaser som används som beslutsstöd för att upptäcka potentiella läkemedelsinteraktioner, biverkningar och olämplig dosering. Det finns ett behov av bättre kunskap om förekomsten av läkemedelsproblem, hur väl nuvarande kunskapsdatabaser kan förutsäga faktiska problem och hur de kan förbättras. Forskningsprojektet har tre arbetspaket för att besvara följande forskningsfrågor:

  1. Vilken är prevalensen på populationsnivå av potentiella läkemedelsrelaterade problem identifierade med Janusmed-algoritmer i region Kalmar, inklusive läkemedelsinteraktioner, additiv farmakologisk effekt och olämplig dosering?
  2. Hur väl kan Janusmed algoritmer förutsäga faktiska läkemedelsrelaterade problem, mätt som korrelation mellan beräknade riskklasificeringar och kliniska utfallsmått?
  3. Kan maskininlärning användas för att kombinera algoritmer från Janusmed kunskapsdatabaser med ytterligare faktorer för att förbättra prediktionen av kliniskt signifikanta läkemedelsproblem?

Data och metod

Projektet består av tre arbetspaket motsvarande de tre forskningsfrågorna. Detta arbetspaket är sammanlänkade och arbetar iterativt med studier i de olika paketen.

I projektet använder vi följande data för populationen i Region Kalmar län, omfattande ca 250 000 individer under 10 års tid :

  • data om läkemedel (administrerade och ordinerade), diagnoser och andra händelser från journalsystemet i Region Kalmar län
  • data om uthämtade läkemedel på apotek
  • data från dödsorsaksregistret
  • reglerna och algoritmerna från tre av Janusmeds kunskapsdatabaser (Interaktioner, Riskprofil och Njurfunktion)

I det första arbetspaketet (WP1) beskrivs förekomsten av potentiella problem (oönskade läkemedelshändelser, ADE) som Janusmeds algoritmer identifierar baserat på individens samtidiga läkemedel, vilket görs som tvärsnittsstudier.

I det andra arbetspaketet (WP2) ser vi hur träffsäkra dagens beslutsstödsalgoritmer är genom att undersöka hur Janusmeds riskklassificeringarna korrelerar med kliniska utfall som indikerar en oönskad läkemedelshändelse. Det gör vi genom flera studier med designen retrospektiv kohortstudie samt nested case control.

I det tredje arbetspaketet (WP3) utvecklar och utvärderar vi maskininlärningsmodeller för att se om dessa modeller, som använder annan data än dagens beslutsstöd, bättre kan förutsäga kliniska utfall. Här används olika typer av dataset och olika metoder för maskininlärning.

I några studier används totalpopulationen i regionen, i andra fokuserar vi på en särskild grupp. Flera studier fokuserar på specifika oönskade läkemedelshändelser, andra studier undersöker bredare. I alla delar arbetar vi tillsammans tvärvetenskapligt.

Tvärvetenskaplig samverkan

Forskningsprojektet genomförs i ett tvärvetenskapligt team med bred kompetens inom bland annat klinisk farmakologi, farmakoepidemiologi, datavetenskap, machine learning, statistik och visualisering.

Relevans

Läkemedelsrelaterade problem är ett stort problem för samhället, särskilt med en åldrande befolkning och ökad användning av läkemedel. Kunskapen från det aktuella projektet kan användas för att förbättra nuvarande beslutsstödsalgoritmer, samt ge nya insikter om hur avancerad teknologi som artificiell intelligens kan användas för att förbättra förutsägelser. Förbättrad prediktion kan förbättra patientsäkerhet och minska kostnader för samhället.

Projektet är en del av forskningen inom

Medarbetare