Som första land i Världen har Sverige en helt automatiserad
pandemiövervakning som bygger på anonymiserat data direkt ifrån utvalda vårdsystem! Tjänsten SweAlert övervakar, detekterar och predicerar avvikelser som exempelvis utbrott av influensa. Via SweAlert kan
Smittskyddsenheterna regionalt arbeta med uppdaterat data för att ta fram styr- och ledningsrapporter för Hälso- och sjukvårdsverksamheten. Under denna session berättar Smittskyddsinstitutet och Tieto om hur tjänsten uppkom, hur den används idag och hur planerna ser ut för
framtiden. Talare: Lisa Brouwers, Head of Unit at Smittskyddsinstitutet och Christian Elmehagen, Business Manager e-Health at Tieto Healthcare & Welfare. Mer från dagen på http://bit.ly/sb13se
3. SweAlert – system för
övervakning och detektion
Lisa Brouwers
SMI - Enheten för epidemiologi och biostatistik
4. SweAlert - introduktion
• Samverkanspartner: Tieto och IBM
• Pandemivarning och övervakning
• Influensa
• Finansiering 2012 – 2014 MSB
5. Två delar – övervakning & detektion (i)
Övervakning - säsongsinfluensa
Idag: frivilligrapportering av läkare
som träffar på patienter med ILS =
Influensaliknande symptom.
Sentinelrapportering.
Problem: dålig täckning (antal och
geografisk spridning), resurskrävande
(tid och pengar)
Dödsfall
Intensivvård
Prov tas labbverifikation
Symptom – söker vård
Symptom – ev. hemma
från jobbet
Asymptomatiskt sjuka
Hälso- och
sjukvården
Idé: eftersom behandlande läkare
anger diagnoskod i patientjournalen
vid vårdbesöket, borde dessa kunna
extraheras automatiskt
Potentiella vinster: hög täckning (antal
och geografisk spridning),
resurseffektivt
6. Två delar – övervakning & detektion (ii)
Detektion – pandemi (bakgrund)
• Timing - den enskilt viktigaste faktorn för att en
pandemiintervention ska vara framgångsrik!
• Smittsamhet beskrivs med R0. R0 = 2 betyder att varje infekterad
person i genomsnitt infekterar två andra personer.
Dvs.
exponentiell
tillväxt
1
2
4
8
Generationer
16...
7. Två delar – övervakning & detektion (ii)
[forts.]
•
När det gäller detektion finns det två viktiga delar som automatisk
övervakning av vårddata kan bidra med:
1. Upptäcka att något onormalt är på gång
•
automatiska larm
2. Datainsamling i tidigt skede under pandemi – för att skräddarsy
motåtgärder
•
Information om åldersgrupper som drabbas, geografiskt mönster,
riskgrupper för svår sjukdom
10. SweAlert varningsalgoritm
Moving Epidemics Method (MEM):
• Baseras på historiska säsonger
• Ger en varning när epidemisk period startar
• Ger en varning när epidemisk period slutar
12. SweAlert i framtiden
• Bättre anslutning, fler landsting
• Implementering av fler utbrottsalgoritmer (MEM jämförs
med andra)
• Inkludera andra sjukdomar och andra data (läkemedel,
labbsvar etc.)
• Komplettera eller ersätta Sentinel övervakningen
Börja med övervakning och varning gå sedan in på detaljerna.
Varför fler utbrottsalgoritmer? Säkerställa validera precision.
Antal fall per åldersintervall (glesa intervall)
Antal fall per åldersintervall (täta intervall)
Tabell för antal, pajdiagram för andel fall per åldersintervall (glesa intervall)
Tabell för antal, pajdiagram för andel fall per åldersintervall (täta intervall)
Totalt antal fall