Den omfattande vaccinationskampanj som gjordes i samband med COVID-19 pandemin synliggjorde behovet av att få en kontinuerlig översikt av vaccinationsläget. Det är viktigt att beslutsfattare och läkare får tillgång till högkvalitativ data om vaccinationstäckning, säkerhet och effektivitet av olika vaccin på olika virusvarianter, och biverkningar av vaccin. För att kunna göra dessa analyser behöver data från våra sjukvårdsregioner kontinuerligt integreras och länkas samman. De behöver också kompletteras med demografiska data och andra faktorer som kan påverka vaccinationstäckning.
Att integrera data från olika källor är en utmaning i många sammanhang, och det gäller även data inom sjukvården. I detta examensarbete vid Institutionen för Datavetenskap vid Linköpings universitet har Elise Lång undersökt metoder för kunskapsmodellering som kan stödja just den här typen av dataintegration. Olika sjukvårdsregioner strukturerar data på olika sätt, och olika länder har olika sätt att rapportera vaccinationsdata. För att göra data jämförbara och möjliga att analysera tillsammans behövs en gemensam konceptuell modell för vad vi menar med olika vaccinrelaterade begrepp. Elise har i sitt arbete studerat existerande kunskapsmodeller inom området, metoder för utveckling av modeller, och även föreslagit och utvärderat en ny kunskapsmodell för svenska vaccindata. Arbetet är en del av det VR-finansierade projektet VaccEval.
Resultaten visar att även om vi begränsar integrationen av data till svenska regioner är utvecklingen av en gemensam kunskapsmodell en utmaning. Begrepp har ofta flera betydelser, och används på olika sätt beroende på om man beskriver demografiska data eller medicinska data. Detta belyser problemet med att ha endast en gemensam datamodell, och indikerar att den kan behöva delas upp i olika ”vyer” som representerar olika användares synvinklar. Det finns inte heller någon koncensus i hur en bra modell ska se ut, eller hur den ska delas publikt på webben, via de så kallade FAIR-principerna för öppen vetenskap.
Elise’s arbete pekar ut möjliga vägar framåt för att lösa dessa utmaningar. Till exempel genom bättre riktlinjer för publicering av kunskapsmodeller, och genom att ta hänsyn till de olika forskarnas perspektiv i modellerna som skapas. Elise har även bidragit med kunskap kring hur modellerna bör utvärderas.
– Det har varit väldigt intressant att jobba med att förbättra våra möjligheter att analysera framtida vaccinkampanjer, säger Elise Lång. Jag har till exempel kunnat visa på viktiga skillnader i hur grafisk respektive textuell presentation av modellerna påverkar utvärderingsresultaten.
– Vi kommer att arbeta vidare med utgångspunkt från Elises slutsatser i projektet, och hoppas att under kommande år kunna publicera en första version av en modulär kunskapsmodell för att beskriva vaccindata, där vi drar nytta av de slutsatser som Elises arbete bidragit med. Det här kommer hjälpa oss både med dataintegrationen framöver, och att dela med oss av data från vaccinforskarnas studier på ett sätt så att andra kan ha nytta av dem. I det långa loppet vill vi bidra till säkrare vaccin och en mer effektiv och säker hantering av pandemier och andra liknande händelser i framtiden, säger Eva Blomqvist, biträdande professor i datavetenskap vid Linköpings Universitet, och examinator för Elises examensarbete.