Digital tvilling for å forutsi relapse

Søknadssammendrag

Personer som skrives ut fra døgnbehandling i rusbehandling (TSB) fortsetter vanligvis i behandling og oppfølging i poliklinisk og kommunal regi. Cirka 30 – 60% av disse har kortere eller lengre tilbakefall det første året, ofte med store helsemessige og sosiale konsekvenser. Tilbakefall kan gå fort og er ofte overraskende både for brukere og hjelpere. Om vi kunne forutsett tilbakefall før det inntraff, kunne vi satt inn tiltak på rett nivå, der de trengs mest og har best effekt. Denne studien ønsker å bidra til at det blir mulig. Kunnskapen om hvordan man kan måle og forutsi når pasientene har høy risiko for tilbakefall er begrenset. Dette gjør det vanskeligere å sette inn riktig tiltak til rett tid. Det hindrer også effektiv og potensielt livreddende samhandling mellom spesialisthelsetjeneste, kommune, pårørende og pasient. I dag blir det ofte gitt likt tilbud, uavhengig av endringer i behovet. Innen somatisk medisin er kunstig intelligens og data fra bærbare sensorer f.eks. i mobiltelefoner allerede tatt i bruk. De benyttes som såkalte 'digitale medisinske tvillinger,' for å lære og forutsi forandring i pasientenes tilstand uten at pasientene aktivt registrerer noe selv. Eksempelvis ved Parkinsons sykdom og diabetes. Slik teknologi er i liten grad tatt i bruk i rusbehandling og det finnes ingen studier i reelle kliniske grupper og ingen europeiske studier. For å kunne lage en ‘digital tvilling’ som kan forutsi tilbakefall til rus på individnivå, må man gjennom flere trinn. Først må man søke å forstå hele dynamikken i tilbakefall. Det er dermed nødvendig å lage en ny statistisk modell som kan si noe om historiske faktorer, om de dynamiske sammenhengene og hvordan de relaterer til russug og tilbakefall. I denne studien tar vi utgangspunkt i at endringer i kognitive forhold forekommer i tiden umiddelbart før tilbakefall som følge av blant annet stress, endringer i psykisk helse og uro. Vi vil bruke data fra HUNT 4 samt en pågående studie som måler kognitiv status, russug og rusepisoder hos pasienter i et ruskollektiv. Den statistiske modellen vi utvikler i første del av dette prosjektet, vil inneholde en rekke atferdsmessige og motoriske faktorer (f.eks. bevegelsesmønster, psykomotorisk hastighet og responshastighet) som kan registreres ved hjelp av en smarttelefon. Når vi vet hvordan disse faktorene statistisk henger sammen med rus-sug og tilbakefall, kan pasientene ved å la telefonen samle og bearbeide deres data, ved såkalt maskinlæring eller kunstig intelligens, få hjelp til å forutsi når det er økende fare for tilbakefall. Mange har tidligere forsøkt å la pasientene registrere data manuelt gjentatte ganger i løpet av dagen, for å bedre forstå prosessen frem til tilbakefall. Dette har vært krevende for brukerne, og mange har dermed latt være å registrere data, spesielt i tiden før tilbakefall. Studiene har derfor hatt begrenset klinisk verdi. Vårt mål er å redusere belastningen på brukeren. Derfor vil passiv registrering være riktig.