Stavanger kommune

Legevakten vil bruke KI til å forutsi pasienttilstrømming

Kunstig intelligens skal hjelpe legevakten i Stavanger kommune med å planlegge mer effektivt og gi pasientene bedre forutsigbarhet. Ved å analysere historiske data kan de forutsi hvor mange som kommer – og når.

Publisert: 25. jun. 2025

Trykk på taggene for å lese mer om hvor og hvordan vi benytter samme fag og teknologi

Kunstig intelligens & Maskinlæring

Kunstig intelligens

Helse og omsorg

Offentlig sektor

Microsoft Copilot

Kort oppsummert:

Bakgrunn: KI skal hjelpe legevakten i Stavanger kommune med å planlegge mer effektivt og gi pasientene bedre forutsigbarhet. Ved å analysere historiske data kan de forutsi hvor mange som kommer – og nå

Løsning: Maskinlæringsmodell som predikerer pasienttilstrømming de neste timene/dagene, satt i produksjon på Microsoft Fabric.

Arbeidsmetode: Analyse av historiske ankomstdatasett, AutoML med FLAML for modelltesting, valg av Prophet for effektiv trening og god sesongstøtte, pilot og gradvis produksjonssetting.

Viktige prinsipper: Datadrevet beslutningsstøtte, rask iterasjon med PoC‑tilnærming, fokus på modellens treningstid og tolkbarhet, samt drift i et skalerbart Fabric‑miljø.

Suksesskriterier: Pålitelig historisk datagrunnlag, riktig modellvalg (balanse mellom presisjon og treningstid), produksjonssetting i Fabric og tydelig operasjonelt nytte for bemanningsplanlegging.

Verdi: Bedre planlegging og bemanning, redusert ventetid og økt forutsigbarhet for både ansatte og pasienter, samt et teknologisk grunnlag for videre AI‑satsing i kommunen.

Referansen er skrevet av mennesker, oppsummeringen er laget av Bouvets AI-assistent.

Dette er et viktig steg mot en mer datadrevet og pasientvennlig helsetjeneste.

Jens Otto Skåra Hansen, Prosjektleder for Datasjøen i Stavanger Kommune

Registrert pasientdata over flere år

Legevakten har over flere år samlet inn data om antall pasienter som kommer inn via hovedinngangen, bakveien og gjennom telefonhenvendelser. I dette prosjektet har Bouvet, sammen med Stavanger Kommune, brukt disse dataene til å identifisere mønstre som gir innsikt i når pasienter ankommer. Denne innsikten brukes til å trene en maskinlæringsmodell som kan forutsi pasienttilstrømming de neste timene og dagene.

Slik ble løsningen utviklet

Ved hjelp av FLAML, et så kalt AutoML-bibliotek fra Microsoft, testet vi ulike maskinlæringsmodeller for å finne den som best kunne predikere pasienttilstrømming.

Xgb_limitdepth og Prophet (utviklet av Facebook) utmerket seg og valget falt på Prophet, da den hadde langt mindre treningstid.

FLAMLs versjon av Prophet ble brukt for å finjustere innstillingene i modellen. Denne versjonen har flere fordeler sammenlignet med den vanlige Prophet-modellen, blant annet bedre støtte for å fange opp sesongvariasjoner og mer presise startverdier som gir raskere og mer nøyaktige resultater.

Løsningen ble først utviklet som et Proof of Concept (PoC), og er nå delvis produksjonssatt – med videre planer om å forbedre modellens nøyaktighet.

Prosjektet fungerte også som en pilot for bruk av Microsoft Fabric, og løsningen kjører nå i produksjon i dette miljøet. Konklusjonen fra prosjektet var at Fabric er et utmerket alternativ for å forene databehandling—og kan støtte opp om et økt fokus på AI for Stavanger kommune.

Målet med løsningen er å gi både ansatte og brukere av legevakten bedre informasjon – slik at legevakten kan optimalisere bemanningen, redusere ventetid og gi brukerne mulighet for å se aktivitetene på legevakten hjemmefra slik at de kan planlegge besøket sitt smartere – dersom det er helsemessig forsvarlig.

Magnus Haugland Gudmestad, Legevaktsjef, Stavanger kommune