AID-spine del I, WP 1 & 2

Rygglidelser har i nesten tre tiår vært den største årsaken til ikke-dødelig helsetap verden over, og prevalensen er økende, særlig i lys av en stadig eldre befolkning. Det er svært bekymringsfullt om denne situasjonen fortsetter, gitt de betydelige utfordringene dette har for enkeltindivider, helsevesen og samfunnsøkonomi. Til tross for fremskritt innen utredning- og behandling for ryggradslidelser er effekten av de fleste kirurgiske og ikke-kirurgiske behandlinger fortsatt bare liten til moderat. Stor inter-individuell variasjon i prognose og respons på behandling forklarer delvis de beskjedne effektene, men mesteparten av variasjonen mellom individer skyldes sannsynligvis ukjente eller ikke målte faktorer. Inter-individuelle forskjeller inkluderer både genetiske og miljømessige faktorer og består av et sammensatt og komplekst bilde som er utfordrende å forholde seg til for helsepersonell. Det er mangel på praktisk realiserbare og presise kliniske prognostiske verktøy som kan hjelpe pasienter og klinikere til å ta bedre beslutninger for dermed å sikre en mer persontilpasset, og forhåpentligvis mer effektiv, behandling. Hovedmålet med AID-Spine del I er å benytte store populasjonsundersøkelser, kliniske kvalitetsregistre og offentlige helse- og velferdsregisterdata for å; 1) identifisere trajectories («mønster / baner») for behandling og bruk av velferdstjenester for rygglidelser, og 2) ved hjelp av maskinlæringsmetoder identifisere personer med ulike behandlingshelseutfall etter kirurgiske og/eller konservative behandling. Sekundære mål er; 1) å gjennomføre ekstern validering av prediksjonsmodellene i datasett fra Danmark og Sverige, og 2) å utforske hvordan prediksjonsmodellene kan implementeres i AI-baserte kliniske beslutningsverktøy og intervensjoner. Fra populasjonsundersøkelsene vil vi inkludere personer med og uten rygglidelser. Fra kliniske kvalitetsregistre og offentlige helse- og velferdsdata vil vi inkludere pasienter med korsrygg- og nakkesmerter. Vi vil anvende avanserte statistiske metoder og maskinlæring for å identifisere mønster for bruk av helse- og velferdstjenester og for å utvikle modeller for persontilpasset behandling. Vårt mål er å bedre behandlingstilbudet for en stor pasientgruppe, samt å bidra til mer effektiv bruk av knappe helseressurser og velferdsgoder. Funn i norske datasett skal valideres i tilsvarende datasett i Sverige og Danmark.