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, Linnéuniversitetet; Ylva Askfors och Hanna Justad, Region Stockholm; Björn Wettermark, Uppsala universitet; Marine Andersson, Karolinska universitetssjukhuset Huddinge
Deltagande organisationer
Linnéuniversitetet, Region Kalmar län, Region Stockholm, Uppsala universitet, Karolinska universitetssjukhuset Huddinge
Finansiär
Forte: Forskningsrådet för hälsa, arbetsliv och välfärd
Tidsplan
1 jan 2023 – 31 dec 2025
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

Kärnan i projektet är två uppsättningar data som kommer att vara samma för alla tre arbetspaket:

(1) Data från det elektroniska journalsystemet i region Kalmar, som omfattar om en population på cirka 200 000 patienter under 10 år, som inkluderar både sjukhusvård och primärvård. (2) Reglerna och algoritmerna från tre av Janusmeds kunskapsdatabaser (Interaktioner, Riskprofil och Njurfunktion). WP1 kommer att vara en beskrivande tvärsnittsstudie, WP2 en nested case control studie och WP3 kommer att utveckla och utvärdera nya maskininlärningsmodeller.

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