Lederen, maskinen og dataene fra sagsnotaterne

Når medarbejdere på ældreområdet udarbejder sagsnotater, skaber de store mængder af data. Computere har dog traditionelt haft svært ved at håndtere notaterne som andet end tekst, men nye machine learning-algoritmer kan trække struktureret indhold ud af sagsnotaterne – og heri ligger et kæmpe ledelsesmæssigt potentiale.

Når vi kigger på ældreområdet (og mange andre kommunale velfærdsområder), ser vi ofte et klassisk problem: Det er ikke muligt for ledere at være til stede i alle de situationer, hvor medarbejdere yder hjælp og pleje til borgere, og det er notorisk svært at have sikkerhed for, at den faglige praksis svarer til det forventede.

Gennem tiden har dette problem ført til forskellige tiltag over et bredt spektrum:

• I den ene ende af spektret har vi lederen, der forsøger at leve med uvisheden og den sparsomme feedback, som han/hun kan opnå gennem diverse kvalitative evalueringer og økonomirapporter.
• I den anden ende af spektret ser vi kommunale ledere, der implementerer rigide og tidskrævende rapporteringsregimer, hvor de ”varme hænder” bruger frustrerende meget værdifuld tid på at udarbejde store mængder af strukturerede noter om borgernes gøren og laden.

I denne artikel vil vi give et bud på, hvordan du som kommunal leder kan opnå bedre indsigt i dine borgeres og medarbejderes hverdag ved at koble nye teknologier, såsom machine learning, til de registreringer, som I allerede foretager i dag i form af borgernes sagsnotater.

Data fra sagsnotater – hvad er anvendelsesperspektivet?

Alle, der arbejder med ældreområdet, ved, at medarbejderne her bruger meget tid på at dokumentere deres møder med borgerne. De dokumenterer alt fra borgernes aktuelle situation, dvs. fra helbredstilstande og funktionsevnevurderinger til samtalereferater fra pårørendemøder, døgnrytmeplaner, livshistorier og løbende adviseringer mv.

Kommunerne bruger alle disse oplysninger til at skabe sig et billede af, hvor borgeren er på et givent tidspunkt, og hvilken udvikling borgeren har gennemgået siden de første notater blev skrevet. Det er også en af grundene til, at kommunerne fra tid til anden gennemfører sagsgennemgange.

Men hvad nu hvis du kunne lave sagsgennemgange hele tiden og med alle sager? Og samtidigt få alle mulige informationer ud, som er interessante i regi af ældreområdet?

Som vi ser det, er der store perspektiver i at anvende data fra sagsnotater både styringsmæssigt i driftsopgaver, men også i forhold til at indhente viden om borgernes udvikling over tid, livshændelser mv. Og vi ser machine learning som en oplagt mulighed til at strukturere og dermed udnytte dataene fra den kommunale dokumentation.

Hvordan kan machine learning hjælpe på ældreområdet?

Lad os derfor se på, hvordan kommunerne kan bruge machine learning på ældreområdet.

Kommunale ledere kan bruge sagsnotater til at opnå ny viden, der kan hjælpe med styring, udvikling af nye indsatser mv. Men når vi skal bruge sagsnotaterne til dette, er der en ganske central udfordring, som vi er nødt til at forholde os til.

Kompleksitet og nuance

Udfordringen, som vi skal forholde os til, handler om nuance. Vi mennesker (de fleste af os i hvert fald) er gode til at forstå bløde, nuancerede og komplekse forhold. Håndtering og vurdering af en syg borger kan og bør ikke bare sættes på formel. Det kræver ekspertise, empati og menneskelighed. Der er ikke bare en tjekliste med syv ting, som man skal tjekke. Computernes arv helt tilbage til 0’er og 1-taller betyder, at de i deres kerne ikke er særligt gode til at forholde sig til kompleksitet og nuancer. Er borgeren syg eller ej? Kan borgeren gå? Er kravene opfyldt? Den slags spørgsmål skal – for computeren – helst have simple og klare ja/nej-svar.

Men machine learning er anderledes. Machine learning fungerer på den måde, at det lærer af tusindvis af eksempler fra mennesker (som var gode til at forstå nuancer), og takket være ekstremt komplekse modeller udvikler machine learning-modellerne en tilsvarende kompleks forståelse af verden. I kernen er det stadig 0’er og 1-taller, men fremfor en liste med syv punkter har maskinen måske lært titusindvis af parametre og elementer på tværs af tusindvis af sagsnoter for at opbygge en meget kompleks forståelse af, hvad der er på spil i en given situation.

Maskinen kan hjælpe os med at skabe lynhurtige overblik i store mængder af data

Til forskel fra mennesker har machine learning den fordel, at det er lynhurtigt og utrætteligt. Når først maskinen har set de titusinder af facetter af sygdom, krav og førlighed, eller hvad vi nu måtte ønske at undersøge, så kan den i løbet af få sekunder analysere en hel måneds sagsnoter og give et komplet overblik over alle borgere og medarbejdere på lige præcis de parametre, som vi måtte ønske at undersøge.

På ældreområdet er der en lang række spørgsmål, som vi kan få machine learning til at hjælpe os med at besvare ud fra data i sagsnotater og dermed skabe overblik over, hvad der konkret sker i mødet mellem medarbejdere og borgere. Det er spørgsmål såsom:

• Hvilke hændelser kan være udslagsgivende for et fald i funktionsevne?
• Hvilke undersøgelser bliver der gennemført for de enkelte borgere? Og bliver der lavet de rigtige undersøgelser på de rigtige tidspunkter?
• Bliver sagsbehandlingsfrister overholdt?
• Hvor stor og hvilken variation er der i de fagpersoner, som borgerne møder?
• Er der en ensartet praksis for alle borgere?
• Er borgerne ensomme?
• Bliver nogle af borgernes funktionsevne værre eller bedre?

Alle disse spørgsmål er særdeles relevante, men udfordringen er, at svarene er svært definerbare. Vi kan ikke bare slå op i en økonomitabel og finde svarene. Alligevel kan vi formentlig alle blive enige om, at behandlinger, funktionsevne og ensomhed findes ude i virkeligheden. Og vi kan formentlig også blive enige om, at vi kan få et godt indtryk af omfanget af disse ting ved at kigge i journaler og sagsnotater. Svarene er altså derude. Der er bare ingen, der har tiden eller overblikket til at indhente dem. Og det er netop denne type spørgsmål, der er meget egnede til at blive besvaret ved hjælp af machine learning-modeller.