Det betyder, at specialerne deler visse arbejdsopgaver og laboratorieudstyr, og sammen kan de indkøbe mere avanceret udstyr og udnytte hinandens viden og kapacitet. Herved kan produktiviteten øges uden at gå på kompromis med fleksibilitet og leverancesikkerhed. Analyseudstyr er dyrt, så der er stor økonomisk fornuft i at deles, men også analysefagligt har man forventninger til udvikling på tværs af specialerne.
Diagnostiske data kan ændre sundhedsvæsenets tilbud
Udviklingen på Aalborg Universitetshospital understøttes også af en teknologisk udvikling inden for automatiseret og digitaliseret procesunderstøttelse, big data og kunstig intelligens.
Teknologierne øger de diagnostiske specialers kliniske muligheder og placerer dem centralt i klinisk forskning, procesoptimering og diagnostik. Diagnostiske data er de mest valide og objektive data, sundhedsvæsnet kan præstere, og kobles de sammen på tværs af specialer, så kan bl.a. kunstig intelligens og machine learning ændre den måde, hvorpå vi tilbyder diagnostik, behandling og pleje.
Danske Regioner har taget initiativ til en betydelig teknologisk og funktionel udvikling. Det omfatter multidisciplinære laboratorieløsninger –’Multi-lab’. Men der er ikke konsensus om, hvad man skal forstå ved et ’Multi-lab’.
Multi-lab-begrebet skal afklares – også fagligt
Ordet ’Multi-lab’ fænger. Men vi skal afklare, hvad vi vil forstå ved et multilab-koncept, og hvordan og hvornår det skal virkeliggøres på nationalt niveau. Det er vigtigt, at overvejelserne udspringer af analysefaglige, kliniske og laboratoriedriftsmæssige overvejelser og ikke alene eller uimodsagt udspringer af it-afdelingernes konsolideringsbehov eller administrative målsætninger.
Vi mener, at et multilab-koncept og dermed også de it-løsninger mv., som skal understøtte fremtidens laboratorier, skal bevare de diagnostiske specialers selvstændighed og agilitet. De diagnostiske specialers opgaver, metoder og berøringsflader er forskellige, og risikoen for at de taber deres manøvredygtighed ved at blive presset ind i den samme form, er stor.
Fremtidens multilab-koncept bør både understøtte individualiteten i specialerne og tendensen i retning af specialemæssig konvergens, bedre udnyttelse af diagnostiske data via nye teknologier som kunstig intelligens, fremme samarbejdet, øge effektivisering og reducere omkostninger til drift og vedligeholdelse samt indrapportering til diverse nationale databaser.
Tre multi-labmodeller
Der er mindst to yderpunkter i multilab-problematikken.
Én mulighed er, at alle diagnostiske specialesystemer smelter sammen og understøttes af ét stort system, som potentielt kan dække nationalt. Fordelene er, at data og processer deles mellem specialerne, og at man kan opnå stordriftsfordele på drift og ny udvikling. Ulemperne er større rigiditet, mindre selvbestemmelse og ofte en længere beslutningstid for ændringer, ny funktionalitet og nye konfigurationer. Desuden siger erfaringen, at store, fælles multidisciplinære digitale systemer ikke understøtter specialerne optimalt; man får en generel og dermed mindre specialespecifik løsning.
Flere systemer, der præsenteres som én samlet løsning på tværs af specialer, er ofte bygget over lang tid og skabt via opkøb mv. Så skønt ideen om ét samlet system kan synes besnærende, er det ikke altid det, man reelt køber.
Et alternativ er, at alle specialer har hver sit system. Det giver fleksibilitet, og specialerne har frihed til at definere konfigurationer og funktionalitet. Deri ligger en indbygget fare for silotænkning og manglende samarbejde på tværs af de diagnostiske specialer. Tilgangen kræver også en forholdsvis stor lokal tilstedeværelse af ressourcer, da administration af brugere, prøvetagningsnumre, udredningsprofiler etc. skal ske parallelt i hvert speciales system. Det alternativ understøtter næppe en specialemæssig konvergens og bedre kapacitetsudnyttelse på tværs.
En tredje model, som vi gerne vil bringe ind i debatten, er en hybridmodel, hvor specialerne fortsætter med deres specifikke og specialdesignede laboratoriesystemer, men indgår i en række fælles services/moduler. F.eks. dataintegration som i rekvisition og svar, fælles prøvestyring til fordeling af prøver mellem instrumenter eller fælles stamdata, termer og begreber. Hybridmodellen har den fordel, at hvert speciale kan anvende det system, der passer dem bedst, mens fælles og administrativt tunge områder deles mellem specialerne i form af fælles moduler.
Modellen sikrer, at eksisterende investeringer i laboratoriesystemer bevares. Man kan spare lokale administrative ressourcer og skabe stordriftsfordele på de fælles moduler. Specialernes faglige autonomi sikres.
Den hybride model bør rumme en fleksibilitet, så hver region og speciale selv kan tage stilling til, om man ønsker at anvende middleware fra analyseudstyrsleverandørerne, eller om man foretrækker selv, via andre leverandører, at stå for dette lag i systemarkitekturen.
Ulemperne ved den hybride model er, at specialesystemerne skal bindes sammen via integrationer og fælles services, hvilket kan være komplekst.
Når Danske Regioner skal fastlægge en multilab-strategi, bør ovenstående overvejelser indgå. De diagnostiske specialer og det diagnostiske område er af vital betydning for et velfungerende sundhedsvæsen. Laboratorierne skal kunne køre driftssikkert og stabilt døgnet rundt alle årets dage.
Den it-mæssige understøttelse af området er derfor noget, man ikke skal tage let på. De valg, man træffer, vil være afgørende for både de diagnostiske specialers udviklingsmuligheder og deres driftsvilkår.
