Ny teknologi til datadrevet forbedring af effektivitet, kvalitet og sikkerhed på operationsstuen

Operationsstuen er et højrisikomiljø, til tider med et højt stressniveau, hvor organisatoriske, tekniske og menneskelige parametre spiller sammen på en kompleks måde. Det er dog ikke bare et højrisikomiljø – det er også et lukket miljø. En flere timer lang operation kan blive beskrevet i et ganske kort notat, hvor vigtige hændelser kan blive glemt eller helt udeladt. Det betyder, at vi ved hver eneste indgreb går glip af store mængder information. I andre højrisikoindustrier, såsom flyindustrien og inden for atomkraft, har man længe arbejdet systematisk med at optage og indsamle data for at undersøge mønstre, der kan øge sikkerheden og forebygge ulykker. Lignende platforme findes til brug på operationsstuerne, og data kan bruges til at tilrettelægge det præ-, peri- og postoperative forløb. Målet er tidligere at kunne opspore og undgå komplikationer. Indsamlingen af data danner ligeledes grundlag for et stort læringspotentiale for alle faggrupper, som er til stede på operationsstuen. Kirurger kan gense indgreb mhp. struktureret feedback, sygeplejersker kan få indsigt i ergonomi og instrumentforbrug, og portører kan modtage feedback i forhold til forflytning. Vigtigst måske af alt: Hele teamet kan få information vedrørende samarbejdet og det komplekse samspil, der foregår på stuen.

I Danmark bliver det udført mere end 1,9 mio. operationer hvert år [1]. Efter omkring 15% af alle kirurgiske indgreb opstår der en komplikation [2, 3], og ved visse højrisikoprocedurer er komplikationsraten helt oppe på 60% [4]. Mange af disse komplikationer er direkte korreleret til det operative indgreb, og en del af dem ville kunne forhindres, hvis vi havde haft en bedre forståelse for, hvad der var sket [5]. Yderligere sker der mange hændelser og »nærhændelser«, som ikke i netop det konkrete tilfælde fører til en komplikation. Grundet manglende rapportering er der et stort mørketal i statistikken [6], og ved at kunne identificere disse hændelser vil komplikationer kunne forhindres.

Operating Room (OR) Black Box (Surgical Safety Technologies, Toronto, Canada) er en teknologisk platform, der indsamler tidstro data fra operationsstuen via kameraer og mikrofoner, videoer fra laparoskopi- eller robotsøjlen (eller fra et kamera monteret i operationslampen ved åben kirurgi) samt patientfysiologiske data (Figur 1). Konceptet er inspireret af flyindustriens sorte boks. Dataene bliver anonymiseret og synkroniseret og kan efterfølgende bruges til en semiautomatiseret analyse af indgrebet ved hjælp af kunstig intelligens (AI)-modeller (Figur 2). Videoer fra en bestemt operation (hvad end det drejer sig om en utilsigtet hændelse eller en god kommunikation) og strukturerede data fra stuen kan efterfølgende tilgås online i en anonymiseret udgave. Intet er personhenførbart, hverken på patient- eller medarbejderniveau, da anonymiteten er en vigtig forudsætning for, at sådan et system kan fungere.

Fordelene ved denne type platform er, at det ikke er afhængigt af personalets hukommelse eller en observatørs tilstedeværelse på stuen, om og hvordan hændelser bliver rapporteret. Det er også muligt at indsamle mange datapunkter simultant og synkronisere disse. Alle på operationsstuen kan markere en bestemt begivenhed, f.eks. hvis der er udstyr, der ikke fungerer [7], eller en hændelse, når tonen på stuen ikke er hensigtsmæssig, og dette vil kunne erstatte den nuværende indberetning af intraoperative utilsigtede hændelser, som i mange tilfælde er mangelfuld [8]. Hvis disse hændelser bliver fanget og håndteret korrekt af de involverede parter, kan det på sigt ikke bare forhindre komplikationer, men også forbedre teamsamarbejdet og øge medarbejdertrivslen. Tidlig indsats med at identificere og forhindre en kædereaktion af utilsigtede hændelser kræver, at en kultur med fri meningsudveksling hyldes. Denne kulturændring skal starte i ledelsen, men kræver viden om, hvad der sker på gulvet. Ydermere kan hvert speciale indsamle data og identificere egne udfordringer og på den måde målrette forbedringer ud fra disse. I 2023 er »one size fits all-modellen« nok ved at være forældet både på et patientplan og på det organisatoriske plan, og tiden er inde til at arbejde med skræddersyede løsninger baseret på egne, solide data.

EVIDENSEN INDEN FOR OMRÅDET

Brugen af data fra OR Black Box kan inddeles i tre hjørnesten: 1) øge kvalitet og patientsikkerhed, 2) sikre kvalitet og 3) optimere effektiviteten og ressourcerne (Figur 3). Ved hjælp af højkvalitetsdata og tidstro data er det muligt at optimere inden for alle tre områder og dermed fremme patientbehandlingen og -sikkerheden. Ved brug af OR Black Box har man vist, at der under en operation i gennemsnit er en lydforstyrrelse (telefon, der ringer, alarm etc.) hver 40. sekund, at døren til operationsstuen åbner 89 gange, og at der er manglende eller defekt udstyr på stuen i op til 48% af indgrebene [7, 9]. Man har yderligere kunnet korrelere lydforstyrrelserne med en øget hyppighed af intraoperative hændelser under kritiske faser [10]. Det er således nærliggende at antage, at disse distraktioner er en trussel over for patientsikkerheden. Flere studier har også vist, at der sker et stort antal intraoperative »nærhændelser« ved hver indgreb [9, 11], men at disse ikke direkte fører til en komplikation. I disse tilfælde bliver hændelsen håndteret og korrigeret af personalet, men bliver nødvendigvis hverken husket eller nævnt i operationsbeskrivelsen [12, 13]. Herved går man glip af vigtig læring i forhold til, hvordan et dygtigt team agerer for at forhindre komplikationer [14]. Det er også vist, at kirurgens tekniske færdigheder har direkte indflydelse på patientoutcome, både mht. komplikationer [15-18] og langtidsoverlevelse [19]. I et lille randomiseret studie kunne man vise, at videoanalyse og struktureret feedback medførte en signifikant forbedring i tekniske færdigheder sammenlignet med traditionel træning [20].

I en tid, hvor operationer bliver aflyst på stribe pga. personalemangel, og de klassiske »uddannelsesindgreb« i langt større grad bliver foretaget i den private sektor, kunne videoanalyse bruges som et uddannelsesværktøj. For at kunne bibeholde et højt uddannelsesniveau og sikre kompetencer hos kommende kirurger bliver en anderledes tilgang til uddannelse således nødvendig. Måske kan man acceptere færre indgreb pr. uddannelseslæge (i en begrænset periode), hvis man til gengæld kan optimere uddannelseselementet ved hver eneste indgreb. Sportsudøvere har i årevis videoanalyseret egen træning, og korte videoklip fra operationen kunne bruges på en lignende måde til struktureret feedback. Hvis det skal implementeres i større udstrækning i hospitalsvæsenet, kræver det dog tid og omstrukturering i den travle, kliniske hverdag. Data kan også bruges til at øge udbyttet af »morbidity & mortality«-konferencer ved at mindske risikoen for informations-/misklassifikationsbias [12].

IMPLEMENTERING AF SYSTEMET I DET DANSKE HOSPITALSVÆSEN

Siden 2020 har Juliane Marie Centret på Rigshospitalet haft OR Black Box tilgængeligt og indsamlet data fra over 700 operationer. Systemet er aktuelt implementeret på hospitaler i USA, Canada og Europa, og i løbet af 2023 bliver systemet installeret på yderligere operationsstuer på Rigshospitalet på tværs af specialer. I flere studier [21-23] bliver det gennemgået, hvordan man har arbejdet for at implementeret systemet, men også hvilke udfordringer man er løbet ind i. Data fra Rigshospitalet viste, at det var muligt at implementere teknologien i en dansk kontekst, men også at kompleksiteten af projektet var stor, særligt pga. den store berøringsflade med mange involverede faggrupper. Overordnet var der stor interesse og høj accept blandt alle interessenter: 100% af ledelsen, 100% af lægerne, 88% af sygeplejerskerne og 98% af patienterne bakkede op om systemet og accepterede, at der blev optaget på stuen.

I implementeringsperioden (fra september 2020 til maj 2021) blev 80% af indgrebene optaget, og systemet blev installeret uden at forstyrre den daglige drift [21]. Implementering af denne type af system, hvor man – som nogle af de første i verden – både optager indgreb og analyserer ved hjælp af AI-algoritmer samt muliggør sammenligning af data med udenlandske hospitaler, rejser mange spørgsmål inden for både jura og etik. Det kan f.eks. være spørgsmål om anonymitet, aktindsigt eller ejerskab af data. Det skal håndteres, og det skal respekteres, at implementeringsprocessen er både ressource- og tidskrævende [24], da en vellykket implementering kræver, at alle interessenter føler sig velinformerede og inddrages i diskussionen [25, 26]. Endvidere skal det tydeligt fremgå, hvad formålet med optagelserne er, hvad data skal bruges til, men måske lige så vigtigt, også hvad data ikke skal bruges til. I april 2023 blev det på Rigshospitalet afholdt det første event kaldet »Black Box Moments«, hvor alle personalegrupper fra operationsgangen var inviteret, og hvor en case optaget med OR Black Box blev diskuteret.

MULIG FREMTIDIG BRUG AF SYSTEMET

På sigt er visionen skræddersyede, individuelle patientforløb, hvilket kræver, at data kan tilgås i realtid. Aktuelt arbejdes der på at udvikle AI-modeller, som kan hjælpe kirurgen med intraoperativ beslutningstagning. Systemet ville f.eks. kunne advare om kort afstand til kritiske strukturer såsom dybe galdegange, ureter eller nerver eller kortlægge områder med risiko for iskæmi. Herudover kunne bevægelser registreres og analyseres, og systemet kunne advisere om det hensigtsmæssige i at tilkalde en mere erfaren kollega, ligesom fly automatisk tilråder, at man retter op, når man er på kollisionskurs med andre fly. Ved operationens afslutning skal man kunne få en opsummering af indgrebet, en risikoscore for komplikationer, et forslag til en postoperativ plan og en automatisk genereret scoring af kirurgens tekniske færdigheder [27]. Desuden ville viden om ikketekniske færdigheder såsom teamledelse og kommunikation kunne bruges til feedback.

Det er ikke kun på en operationsstue, at et system som dette er anvendeligt. I alle komplekse hospitalsmiljøer er det værdifuldt at kunne indsamle tidstro data. En lignende platform er installeret i traumemodtagelser [28] andre steder i verden og kan besvare spørgsmål såsom »tid til blod på stuen«, eller hvorvidt de relevante specialer bliver kaldt til de rigtige traumer. Gennemgang af videoer kan også hjælpe med at analysere det komplekse samarbejde, som modtagelse og håndtering af en svært tilskadekommet patient kræver, være med til at analysere kvaliteten af tekniske færdigheder samt optimere udbyttet af traumeøvelser [29, 30]. Desuden vil platformen kunne bruges i hospitalsmiljøer såsom intensivafdelingen eller opvågningsafsnittet. Allerede i dag afprøves et andet avanceret AI-baseret værktøj, wireless assessment of respiratory and circulatory distress (WARD), til kontinuerlig monitorering af postoperative patienter med høj risiko for at udvikle komplikationer. Målet er vha. tidlige ændringer i patientens vitale parameter kunne opspore og forebygge komplikationer. Radiological Artificial Intelligence Test Center er yderligere et initiativ, der udspringer fra flere radiologiske afdelinger i Region Hovedstaden, og som arbejder med at udvikle, validere og implementere forskellige AI-projekter inden for radiologien.

KONKLUSION

»If you can’t measure it, you can’t improve it« er et verdenskendt udtryk inden for markedsføring og ledelse og er i den grad også gældende inden for sundhedsvæsenet. En platform af typen OR Black Box eller lignende muliggør, at vi systematisk kan indsamle og analysere store mængder data fra de mest avancerede højteknologiske procedurer, der bliver foretaget på et hospital. Dataene skal hjælpe os til at forbedre arbejdsmiljøet og optimere læringspotentialet ved hver eneste operation, både når alt går godt, og når det ikke gør. Dette vil føre til færre utilsigtede hændelser og forbedret sikkerhed, ligesom lignende systemer har gjort inden for flyindustrien siden 1960’erne.