KL Signaturprojekt Plai
Nyhedsbrev
Dette nyhedsbrev giver indblik i den forgrundsviden og læring, som er skabt i KL signaturprojektet ”Øget kontinuitet i ældreplejen ved hjælp af kunstig intelligens” (PLAI) i perioden januar 2022 til juni 2022. Nyhedsbrevet er målrettet alle interessenter omkring projektet. Nyhedsbrevet er opdelt i en række punkter, som ikke nødvendigvis følger kronologien i projektet.
Projektets formål
Projektets formål er at forbedre borgernes oplevelse af en sammenhængende og tryg ældrepleje ved at øge kontinuiteten af de medarbejdere, som borgeren møder. At blive mødt af kendte ansigter, som kender borgerens behov og ønsker, er blandt de allervigtigste faktorer i borgerens oplevelse af sammenhæng og tryghed i plejen.
Aalborg og Syddjurs Kommune vil afprøve muligheder og potentiale i at anvende kunstig intelligens i arbejdet med planlægning i ældreplejen. Dette sker med henblik på at styrke kontinuiteten, afhjælpe rekrutteringsudfordringerne og understøtte et ”grønnere fodaftryk”. Projektet skal så vidt muligt være baseret på almindeligt tilgængelige materialer og standarder.
Både Aalborg og Syddjurs Kommune bidrager under projektet med forskellige organisatoriske opsætninger. Dette er med til at skabe erfaringer om organisering, planlægning og sammenhængen mellem by og land. Dette skal give de bedste forudsætninger for afprøvningen af projektet.
Baggrund for valg af leverandører
I ansøgningskriterierne for projektet blev det vægtet højt, at projekterne anvendte eksisterende løsninger frem for nyudvikling. Leverandøren Qampo har en optimeringsalgoritme, som blandt andet tidligere er testet på området. Valg af Qampo som leverandør gør det muligt at bringe løsningen til afprøvning inden for projektperioden.
Qampos tidligere afprøvninger har vist, at planlægning og implementering i ældreplejen er komplekst. Derfor er et af projektets fokuspunkter at skabe forankring hos medarbejderne, således de opnår tillid til og får gavn af løsningen i deres daglige arbejde. Projektet vil af denne årsag have fokus på forandringsledelse.
Data, der anvendes i projektet, og som lægger til grund for webapplikationen, er baseret på Aalborg Kommunes datamodel for omsorgssystemet CURA. Denne datamodel er en del af KMD’s Insight løsning. KMD’s erfaringer fra Insight løsningen anvendes i projektet for at sikre hurtig tilvejebringelse af de nødvendige data i en modellering, der er genkendelig for kommunerne.
Som drifts- og hostingmiljø anvendes et on-premise miljø hos Netic. Det har været afgørende for de to kommuner at sikre data mod 3. landsoverførsel.
Succeskriterier
Med afsæt i formålet er der defineret to succeskriterier, som er omdrejningspunktet for den løbende og afsluttende projektevaluering. Disse succeskriterier er formuleret via dialog og samarbejde mellem slutbrugere og styregruppen. Særligt væsentligheden i at skabe transparens i planlægningen er blevet et vigtigt kriterium for projektet.
-
Projektets evne til at bidrage med viden omkring slutbrugernes forståelse, erfaring og vurdering af anvendelsen af kunstig intelligens i planlægningen.
-
Beslutningsunderstøttelse baseret på kunstig intelligens kan forbedre de operationelle planer med henblik på øget kontinuitet hos borgerne og øget transparens i planlægningen.
Leverance- og tidsplan
Projektets hovedfokus har fra start været at bringe en løsning i test hos slutbrugerne i projektperioden. Herved får projektet mulighed for at kunne høste værdifulde erfaringer omkring anvendelsen af kunstig intelligens på velfærdsområdet.
Leverance- og tidsplanen nedenfor er tilrettelagt med dette for øje. Tidsplanen er justeret per juni 2022 for at kunne imødegå, at kontrakt- og dataflowsprocessen tog længere tid end forventet. Konkret betyder den ændrede tidsplan, at slutbrugerne først får løsningen i hånden primo oktober frem for medio september. Det er forsat forventningen, at projektet kan afsluttes og evalueres inden for den oprindelige tidsramme.
Kontinuitetsbegrebet
Projektets formål er blandt andet at øge kontinuiteten hos borgerne. Kontinuitetsbegrebet har derfor været behandlet intensivt i projektets første faser
Projektet har valgt en ”hård” men operationel definition af begrebet kontinuitet. I projektet defineres kontinuitet som kontinuitet i medarbejdere, der besøger borgernes hjem. Jo færre forskellige medarbejdere, der besøger borgens hjem – jo højere kontinuitet. Dette er ikke en fuldstændig definition af begrebet kontinuitet, da begrebet er langt mere komplekst.
Denne definition betyder, at algoritmen optimerer på baggrund af et indeks, hvor medarbejdere, der kommer hyppigt hos borgeren, fortrækkes.
Offentlig-Privat-Innovationssamarbejde
De kommunale parter valgte med udgangspunkt i opgavens karakter og tidshorisont at indkøbe projektet via et Offentlig-Privat-Innovationssamarbejde (OPI). I samarbejde med den private part (KMD) og dennes underleverandører (QAMPO og NETIC) er der udarbejdet og underskrevet en OPI-aftale, der definerer og udstikker rammerne for samarbejdet med særligt fokus på:
-
Compliance i forhold til gældende lovgivning
-
Sikring af private parters immaterielle rettigheder ved opstart af projektet
-
Imødegåelse af inhabilitet for de private parter ved et eventuelt kommende udbud
Projektets kommunale parter modtog juridisk rådgivning fra DAHL advokatselskab i processen omkring OPI-aftalen.
Databehandleraftale
Der er indgået databehandleraftale mellem databehandler (KMD) og Aalborg Kommune samt databehandler (KMD) og Syddjurs Kommune. Fra de kommunale parteres side har det været en ufravigelige forudsætning, at data i projektet forbliver on-premise, og at aftalerne ikke giver mulighed for overførsel til 3. land for databehandleren eller underdatabehandlere.
Konsekvensanalyse
De kommunale parter har udført konsekvensanalyse for projektet. Der er taget udgangspunkt i KL’s værktøj nr.3- Risikokatalog, ”Vejledning: Tiltag til at sikre brugen af kunstig intelligens” og ISO/IEC 27001:2013, Anneks A.
Der er identificeret en række forskellige risici af varierende alvorlighed i projektet. Fælles for de identificerede risici er, at der er blevet iværksat nødvendige foranstaltninger, som skal nedbringe alvorligheden, således at den samlede restrisiko vurderes som værende lav. Det har været afgørende for konsekvensanalysen, at løsningen udelukkende er beslutningsunderstøttende uden nogen form for automatisering. Derudover anvendes alle data i projektet allerede til formålet i den nuværende planlægning.
Fra Greenforce til PLAI
Projektets beslutningsstøtteværktøj er baseret på den eksisterende løsning ”Greenforce” fra QAMPO. Tilgængelighed af data og dialoger med slutbrugerne har givet anledning til en række tilpasninger af denne løsning. Nedenfor er en skematisk gennemgang af disse tilpasninger, som i projektet samlet betegnes EVA-GAP.
Tilpasningerne bunder i nødvendige regler forbundet med leverancen af ældrepleje samt en stor mængde ”tavs viden” italesat af slutbrugerne.
|
1 / 2022-05-17 Transportmidler
|
Beskrivelse af viden/genereret viden
|
|
Beskrivelse af standard funktionalitet:
|
Algoritmen allokerer besøg til medarbejdere under hensyntagen til transporttid imellem besøgene
|
|
Beskrivelse af ændring til standard funktionalitet:
|
Når der oprettes scenarier i værktøjet kan der tilknyttes et transportmiddel på den enkelte medarbejder (pr vagt). Mulige transportmidler er ”Gang”, ”Cykel”, ”El-cykel” og ”Bil”. For transportmidlerne ”Gang”, ”Cykel”, ”El-cykel” kan brugeren konfigurere flg. regler/forudsætninger
|
|
2 / 2022-05-17
Upload eksisterende plan |
Beskrivelse af viden/genereret viden
|
|
Beskrivelse af standard funktionalitet:
|
I værktøjet kan brugeren køre en simulering/optimering af sine scenarier, og efterfølgende se resultatet
|
|
Beskrivelse af ændring til standard funktionalitet:
|
I stedet for at køre en optimering/simulering for et scenarie, kan brugeren vælge at uploade sin egen plan (tildeling af opgaver til medarbejdere), og efterfølgende se den på samme måde som resultatet fra en simulering/optimering
|
|
3 / 2022-05-17
Optimering af kontinuitet |
Beskrivelse af viden/genereret viden
|
|
Beskrivelse af standard funktionalitet:
|
Algoritmen kan allokere besøg til medarbejdere med en målsætning om at maksimere en kontinuitetsscore (relation mellem borger og medarbejder)
|
|
Beskrivelse af ændring til standard funktionalitet:
|
Når der oprettes scenarier i værktøjet, kan der defineres en kontinuitetsscore mellem medarbejdere og de enkelte opgaver. Brugeren kan ved konfiguration af algoritmens målsætninger vælge at prioritere optimering af kontinuitet. Den samlede kontinuitetsscore vises sammen med øvrige væsentlige KPI’er ved evaluering af en plan.
|
|
1 / 2022-08-23 Afhængighed mellem opgaver
|
Beskrivelse af viden/genereret viden
|
|
Beskrivelse af standard funktionalitet:
|
Algoritmen kan tage højde for afhængigheder mellem to besøg A og B, på formen ”besøg B skal starte mellem X og Y minutter efter besøg A”
|
|
Beskrivelse af ændring til standard funktionalitet:
|
Når der oprettes scenarier i værktøjet kan der indlæses afhængigheder mellem besøg (på ovenstående form). Det er muligt at få vist afhængighederne i GUI’en sammen med øvrige detaljer for de enkelte besøg, og afhængighederne sendes til algoritmen så de respekteres i den optimerede plan.
|
|
1 / 2022-08-23 Indlæsning fra database
|
Beskrivelse af viden/genereret viden
|
|
Beskrivelse af standard funktionalitet:
|
Brugeren kan i værktøjet uploade de relevante planlægningsdata vedr. opgaver og medarbejdere fra csv-filer
|
|
Beskrivelse af ændring til standard funktionalitet:
|
Planlægningsoplysninger kan indlæses fra en database. Ved indlæsningen afgrænses data i et scenarie på område, periode (dato) og vagttype (f.eks. dag, aften, nat). Planlægningsdata inkluderer udover grundoplysninger om opgaver og medarbejdere, også relevante id’ér, så data kan sammenkædes og identificeres i kildesystemet
|
Etablering af driftsplatform
Det har været afgørende for de kommunale parter, at projektets drifts- og udviklingsmiljø er i compliance med Schrems II. Dette er indskrevet i såvel OPI-aftalen og i Databehandleraftalerne. For at sikre dette er der etableret en platform til formålet baseret på ”minimal viable produkt”. Platformen er hosted af Netic i Aalborg, og vil være i drift i testfasen af projektet, hvorefter den lukkes ned.
Drifts- og udviklingsplatformen opfylder nedenstående krav:
-
Kan rumme siloopdeling af begge kommuners data
-
Driftsmiljø til PLAI
-
Ingen 3. lands overførsel
-
Bygget på gængse standarder
Dimensionering af platform
Ved projektets indledning har det været vanskeligt at opstille præcise behov til platformen. Det gælder både i forhold til funktionalitet og til størrelse. Platformen har derfor løbende ændret dimensionering for at sikre, at den passer til projektets gældende behov.
Dataflows
En af årsagerne til, at platformen ikke har kunnet klart defineres fra start, har været usikkerhed omkring, hvordan data skal flyde fra fagsystemet og til platformen. I fremtidige projekter er det formålstjenesteligt at identificere datas tekniske vej for at sikre, at der ikke senere i projektet opstår udfordringer, der kan medvirke til at platformen fordyres.
Valg af pilotgrupper
Projektets pilotgrupper er valgt ud fra flere hensyn. For det første har det været afgørende at teste løsningen i forskellige organisatoriske og geografiske opsætninger. Når denne betingelse er opfyldt, har projektet sigtet mod færre grupper frem for flere. Endelig har det været vigtigt for projektet at tage hensyn til udfordringerne på ældreområdet i form af manglende hænder og stort pres.
Ud fra ovenstående er der udvalgt pilotgrupper i hver kommune. Disse repræsenterer en geografisk forskel i by og land, en organisatorisk forskellig opsætning i henholdsvis ren hjemmepleje og i tværfagligt team med sygepleje. Den samlede pilotgruppe er relativ lille ift. det samlede ældreområde i de to kommuner, men dette er valgt for at sikre tæt samarbejde med slutbrugerne og for at ”forstyrre” området mindst muligt.
Brugerinvolvering
Projektets formål og succeskriterier er i høj grad bundet op på slutbrugerne og deres erfaringer. Projektet har derfor tilstræbt at involvere slutbrugerne i hele processen. Dette er dels gjort for at sikre overensstemmelse mellem løsningen og de reelle behov. Og dels for at sikre størst mulig transparens og ”explainability” af løsningen.
Der har været iværksat en række workshops i de enkelte kommuner og i fælles regi. I disse workshops har planlæggerne (slutbrugerne), deres ledelse og cheflag haft en åben dialog omkring de udfordringer projektet kan og bør adressere samt hvilke regler og forudsætninger, der skal tage højde for.
En vigtig læring fra disse dialoger er, at en algoritme kan være en stærk motor til at sætte spot på udfordringer og dilemmaer. Særligt transparens i planlægning blev et vigtigt emne, da netop transparensen er mangelfuld i den eksisterende planlægning. Det gælder både transparens for borgerne, medarbejderne, planlæggerne og ledelsen.
Derudover har der været afholdt såkaldte ”ride-alongs” hos planlæggerne for at se, hvordan hverdagen udspiller sig på ældreområdet.
Processen har kastet lys på den store mængde regler på området, som bunder i forskellige hensyn til lovgivning, borgere, medarbejdere, ledelse etc. Regler som ikke nødvendigvis er nedskrevet eller formaliseret, men som har stor indvirkning på planlægningen i hjemmeplejen. Stillingtagen til disse regler er afgørende for projektets muligheder for at skabe den ”gode plan”.
Dataudfordringer
Projektet havde som udgangspunkt et godt datagrundlag. De relevante data blev allerede anvendt til formålet i den manuelle planlægning og derudover til for eksempel afregningsmodeller på området. Det betyder dog ikke, at der ikke har været en række udfordringer omkring data. Særligt data som berører den ”tavse viden” hos planlæggerne, har været vanskelig at udmønte i struktureret data. Denne viden er oftest ikke nedskrevet, eller kun nedskrevet i form af for eksempel post-it. Projektet har håndteret dette i det omfang, det kan lade sig gøre ved at anvende funktionaliteter i omsorgssystemet Cura (for eksempel ny anvendelse af borgeres kalender).
Ud over den ”tavse viden” har projektets løsning skulle rumme to kommuner med varierende registreringspraksis. Fælles sprog III og fælles EOJ-system (Cura) har dog gjort, at disse forskelle ikke har været af afgørende betydning.