Troels Martin Range, f. 1976, er oprindeligt uddannet matematikøkonom – cand.scient.oecon – i operationsanalyse og finansiering fra SDU, og efterfølgende tog han en PhD i operationsanalyse. Kort fortalt er operationsanalyse et tværfagligt område, der anvender matematiske metoder og modeller til at optimere beslutningstagning og løse komplekse problemstillinger i forskellige sammenhænge. For eksempel i relation til optimering af containerlogistik, togtrafik og mandskabsplanlægning i lufthavne. Disciplinen indebærer brugen af redskaber som lineær programmering, spilteori, køteori og simuleringsmodeller med det mål at analysere og forbedre processer, systemer og operationer. For de fleste mennesker lyder det måske som det rene græsk. Men for Troels er det hverdagskost. ”Metoderne er meget abstrakte, men løsningerne er helt konkrete,” fortæller han.
Færdiguddannet og med en PhD-grad i rygsækken blev Troels ansat på SDU, hvor han i ti år arbejdede som forsker inden for sit felt. I 2016 var han nået til et sted, hvor han trængte til forandring og havde lyst til en mere praktisk anvendelse af teorien. Og det kom sig så, at der var en relevant administrativ stilling på Sydvestjysk Sygehus i Esbjerg ledig, som han søgte og fik. Han fastholdt tilknytningen til SDU med et deltidslektorat, som han også har i dag.
På sygehuset i Esbjerg stødte Troels på Mikkel Brabrand, der var ansvarlig for forskning i akutmodtagelsen. Mikkel udfordrede ham med en opgave, som han faktisk på ingen måde troede, han kunne løse, nemlig: ”Kan du forudsige, hvor mange patienter der ankommer i akutmodtagelsen – flere måneder ud i fremtiden?”. Troels tog udfordringen op, satte sig til tasterne og kreerede så på få uger råskitsen til en langtidsforecast. ”Det var en simpel model, men den kunne faktisk en hel del,” bedyrer Troels.
Der var masser af data om patient-flowet på afdelingen. ”Men vi kunne se, at der også var en del – og måske lidt overraskende – komponenter, der tillige havde stor indflydelse på, hvor mange patienter der fra time til time dukkede op i modtagelsen. Blandt andet var vejret en ikke uvæsentlig faktor,” pointerer Troels. ”Vi kontaktede derfor DMI for at høre, om de kunne levere de data, vi efterspurgte, men på det tidspunkt var det ekstremt dyrt, og vi havde ikke funding til det. Så faktisk strandede projektet lidt dér.”
For en tid. Mikkel var i mellemtiden blevet ansat på akutmodtagelsen på OUH, hvor han oplevede, at der af og til var nogle helt ekstremt travle dage, hvor personalet havde særdeles svært ved at følge med. Med Troels’ kompetencer i baghovedet fik han derfor kringlet det således, at Troels kunne blive overflyttet til OUH og få lejlighed til at se nærmere på udfordringen. Det var kort efter tiden med Corona – i 2021.
”Til at begynde med søgte vi om midler fra OUH’s innovationspulje og blev tildelt en pose penge. Siden er det blevet til mere funding fra både SDU, Region Syddanmark, Innovationsfonden og Beta.Health. Så nu kunne vi virkelig gå i dybden med arbejdet,” forklarer Troels.
I mellemtiden var det blevet politisk besluttet, at DMI skulle have en række åbne og tilgængelige vejrdata, og dét, kombineret med kroner i kassen til udvikling, gjorde, at projektet nu for alvor kunne tage fart. Troels kunne knokle videre med systemet.
Det blev til lange, kreative, metodiske og arbejdstunge måneder. Men i august 2022 kom så dagen, hvor Troels for første gang kunne præsentere Mikkel for en visuel brugerflade med overblik over, hvad systemet kunne beregne og fremvise af forudsigelser.
”Det var en lidt vild dag,” mindes Troels. ”For lige pludselig kunne jeg rent faktisk modbevise den skepsis, som Mikkel helt tilbage på Sydvestjysk Sygehus havde udvist.”
Da Mikkel havde set det hele, sagde han: ”Det rammer da ret godt!”.
Dernæst fik Troels og Mikkel lov til at sætte systemet i drift på akutmodtagelsen på OUH. ”Det var en mildest talt angstprovokerende dag. For pludselig gik vi fra at have vores eget lille, halvhemmelige system til at slippe det fri i virkeligheden,” pointerer Troels. Hvordan ville man tage imod det? Ville det bevise sit værd? Ville det indfri forventningerne? Ville det VIRKE?
Og ja. Det virkede. Så præcist, at det 95% af tiden kommer med de rigtige forudsigelser – svarende til +/- én patient i timen. Og så kan det faktisk være svært at komme det meget nærmere.
”Som case er sygehuse faktisk noget af det sværeste af bygge forecasts for,” forklarer Troels. ”I lufthavne, for eksempel, er det væsentligt lettere at forudsige travlhed, fordi luftfartsselskaberne jo sælger billetter, som er et forholdsvist enkelt datasæt at lave prædiktioner ud fra. På sygehuse har man en tradition for at bemande nogenlunde jævnt hen over ugen – og så må personalet som udgangspunkt løbe stærkere, hvis der er travlt, og have bedre tid, hvis der er færre patienter.”
Motivationen bag Praemostros system har hele tiden været drevet af ønsket om at kunne tilpasse den kapacitet, man tilbyder, til det, der rent faktisk efterspørges. ”Vi oplever tit, at personale brænder ud, fordi der er for stor divergens mellem kapacitet og faktisk forekomst. Og det er opslidende for personalet på flere plan. Både at slide skoene tynde af travlhed. Men faktisk også det modsatte. Det kan være enormt stressende vedvarende at spekulere på, om og hvornår der bliver travlt, selvom der måske slet ikke gør,” forklarer Troels.
På sygehuse findes der masser af historiske data i relation til patientforekomsten. Men det har hidtil været svært at kunne bruge dem til retvisende forecasts. Med Praemostros system, der medtager viden fra en række yderligere datasæt om fx vejr, events, ugedage og helligdage, ser hverdagen nu helt anderledes ud på de afdelinger, hvor det er i brug. ”Vi får flotte tilbagemeldinger på det, og folk vænner sig meget hurtigt til at bruge det – og til at regne med det. For det er ret præcist i sine prædiktioner,” fortæller Troels. ”Og det betyder, at man kan planlægge og bemande på en helt anden og mere præcis og intelligent måde, end man hidtil har haft mulighed for.”
Kradser vi i en anelse i overfladen af det mere tekniske i relation til Praemostros system, så støder vi ret hurtigt på begrebet ’machine learning’.
”Jeg er ikke så stor fan af udtrykket kunstig intelligens, fordi man har en tendens til at forveksle det med menneskelig intelligens. Og det er lidt ligesom at sige, at forloren hare har noget med hare at gøre,” griner Troels. ”Helt grundlæggende er computere ikke er særligt intelligente. Der, hvor magien opstår, er, når vi designer nogle modeller, der kan simulere noget, der minder om intelligens. Når vi arbejder med machine learning, tager vi nogle data og prøver at skabe en model, der kan hjælpe computeren med at træffe valg. Det foregår ret forenklet i to tempi: 1) Ved kontinuerligt at lære den at blive klogere af den virkelige verden, og 2) ved at finjustere modellerne, når de tager fejl. Når man træner netværket, som man kalder denne øvelse, bliver det med tiden mere og mere præcist. Og via algoritmer kan den faktisk gøre det selv. Det er ikke som sådan, fordi det er noget revolutionerende nyt at kunne det her. Det var man allerede i stand til i 1970’erne. I dag har man dog væsentligt større maskinkraft, der kan håndtere det – og håndtere det meget, meget hurtigere. Der er sket meget på både hardware- og datasiden siden dengang,” pointerer Troels.
Et spørgsmål, Troels ofte får, er: ”Hvorfor sætter man ikke bare statistikere til at løse opgaven?”. Med alle de datatyper, der er tilgængelige, burde de vel kunne lave en model og regne den ud?
”Lidt forenklet kan man sige, at statistikere typisk vil afprøve en modeltype ad gangen. Og det kan dels tage lang tid at opstille modellen, dels at afprøve den i praksis via trial- and error-princippet. Med machine learning kan man afprøve masser af modeller og modeltyper meget, meget hurtigt, og vi når derfor ekstremt meget længere ud på meget kortere tid. Dine data efterses konstant, og maskinen træner systemet og vælger hele tiden videre ud fra hvilke modeller, der virker bedst. Så kort sagt afsøger det parallelt et stort antal modeller ved at bruge rigtig megen regnekraft. Det er derfor, jeg ofte betegner det som statistik på steroider,” griner Troels.
Tre fun facts om Troels:
