Fastlegedata på leirføtter – når styring bygger på systematisk feilrapportering

I nylig artikkel i Dagens Medisin – «Fastlegene taper på Helfos algoritmer – det er et demokratisk problem» – påpekte jeg at Helfos algoritmer påvirker fastlegenes økonomi og handlingsrom. Det er et viktig poeng i seg selv. Men vi må gå enda dypere: Problemet handler ikke bare om algoritmene. Det handler om selve datagrunnlaget som styringen av fastlegeordningen bygger på.

For i dag er alle fastleger og legevaktsleger i praksis nødt til å føre regningskort på en måte som ikke speiler den reelle arbeidssituasjonen. Systemet forutsetter lineær pasientbehandling. Virkeligheten er parallellprosessering.

Når virkeligheten ikke passer inn i skjemaet

I moderne allmennpraksis håndteres flere pasientforløp samtidig: e-konsultasjoner, telefoner, laboratoriesvar, dialogmeldinger, akutte innpassinger, samhandling med hjemmetjeneste – ofte parallelt med fysiske/elektive konsultasjoner. På legevakt er dette enda tydeligere: én lege kan ha ansvar for flere samtidige pasienter i ulike faser av utredning og behandling.

Likevel må aktiviteten rapporteres gjennom et takstsystem utviklet for en annen tid. Regningskortene krever at aktiviteten kodes inn i forhåndsdefinerte kategorier som ikke fanger kompleksiteten, samtidigheten og det kognitive arbeidet som utføres.

Resultatet er at leger systematisk tvinges til å tilpasse dokumentasjonen til systemets krav – ikke til virkeligheten. Det er i praksis en form for dokumentforfalskning, ikke av uredelighet, men etter indirekte pålegg fra myndighetenes side. Alternativet er økonomisk tap eller brudd på avtaleverket.

Skjevhet bygges inn i styringsdataene

Når slike data aggregeres nasjonalt og brukes som grunnlag for styring, oppstår et grunnleggende problem: Aktivitetstallene sier ikke lenger noe pålitelig om arbeidsbelastning, tidsbruk eller kompleksitet.

Likevel brukes disse tallene til dimensjonering av fastlegehjemler, vurdering av effektivitet, beregning av kapasitetsbehov, planlegging av kompetansekrav, analyser av legevaktbelastning og utvikling av finansieringsmodeller.

Biasen er innebygget i selve rapporteringen. Den kan ikke «justeres bort» i etterkant, fordi den ikke er tilfeldig – den er strukturell.

Når slike data legges til grunn for videreutvikling av tjenestene, bygges skjevheten inn i beslutningsgrunnlaget. Systemet optimaliseres mot en virkelighet som ikke finnes.

Kunstig intelligens forsterker feilen

Det hevdes ofte at bedre analyseverktøy og kunstig intelligens kan bidra til smartere styring. Men algoritmer er ikke bedre enn dataene de trenes på.

Dersom kunstig intelligens i økende grad tas i bruk for beslutningsstøtte i helsetjenesten – enten det gjelder bemanningsplanlegging, prioriteringsmodeller eller ressursallokering – vil den arve de samme strukturelle skjevhetene. Forskjellen er at biasen da kan bli mindre synlig.

Maskinlæring identifiserer mønstre i historiske data. Hvis historiske data systematisk underrapporterer kompleksitet og parallell belastning, vil fremtidige anbefalinger gjøre det samme – men med større teknologisk autoritet.

Registerforskning kan ikke rydde opp

Man kunne håpe at registerforskning ville kunne avdekke slike skjevheter. Men også forskningen er avhengig av de samme innrapporterte takstdataene.

Dersom feilene ligger i selve datagenereringen – i måten aktiviteten kodes og registreres på – finnes det ingen «fasit» å sammenligne med. Forskningen vil reprodusere systemets antagelser.

Konsekvensen er alvorlig: Vi risikerer at det over tid ikke eksisterer pålitelig evidens om effektiviteten i primærhelsetjenesten. Vi vil mangle kunnskap om faktisk arbeidsbelastning, produktivitet og ressursbehov.

Et system på leirføtter

Dette er ikke bare et teknisk problem. Det er et demokratisk problem.

Politikere og myndigheter fatter beslutninger basert på tall som fremstår objektive. Men dersom tallene systematisk undervurderer kompleksitet og arbeidsbelastning, vil beslutningene trekke i retning av underdimensjonering.

I dag merkes dette som press på fastlegeordningen. I morgen, med eldrebølge, økt multimorbiditet og knappere ressurser, kan det bli kritisk.

En primærhelsetjeneste som styres etter skjeve data, vil gradvis miste evnen til å dokumentere egen effekt. Den vil stå på leirføtter – uten solid kunnskapsgrunnlag for hva som virker, hva som koster, og hva som trengs.

Veien videre: måle det som faktisk skjer

Løsningen er ikke flere kontrollalgoritmer. Det er å erkjenne at dagens takst- og rapporteringssystem ikke er designet for den faktiske arbeidsformen i moderne allmennmedisin.

Vi trenger datamodeller som fanger parallellprosesser og kompleksitet, tidsbruksmålinger som ikke forutsetter lineær pasientflyt, uavhengig evaluering av hvordan rapporteringskrav påvirker atferd, og åpenhet om usikkerhet og begrensninger i styringsdata.

Først når vi måler det som faktisk skjer i praksis, kan vi utvikle tjenester på et reelt kunnskapsgrunnlag.

Hvis ikke risikerer vi at fremtidens beslutninger tas av stadig mer sofistikerte algoritmer – trent på stadig mer misvisende data.

Det er ikke bare et demokratisk problem. Det er et systemisk kunnskapsproblem. Og det haster å ta det på alvor.