Metoder för att skåda in i framtiden

www.iffs.se

Institutet Analytisk sociologi Nätverk Komplexa system Big Data Agentbaserad mikrosimulering Integration/Segregation Boende Skola - Arbete Fördelning/fattigdom Demografi Normförändring World Values Survey

World values survey

Metoder för att skåda in i framtiden Prognosmodeller Allmän jämviktsmodeller Mikrosimuleringsmodeller Agentbaserade modeller Statiska (monte carlo) modeller för prediktion Informerad spekulation Filosofera & värdera Scenarier /mönsterigenkänning

LEV projektet www.regeringen.se /LEV Långsiktig Efterfrågan på Välfärdstjänster: hälso- och sjukvård samt äldreomsorg fram till 2050 Anders Ekholm, Pontus Johansson, Lisa Brouwers, Nils Janlöv, Josepha Lindblom, Kalle Mäkilä, Karin Mossler och Drasko Markovic Socialdepartementet LEV

Demografisk försörjningskvot hur många personer förutom sig själv måste varje person i arbetsför ålder försörja Ca 20 % försämring av försörjningskvoten mellan 2010-2030 Arbetsför ålder: 16-64

Antal döda i olika åldrar, Sverige 1751-2110 Antal Källa: Human Mortality Database. University of California, Berkeley (USA), and Max Planck Institute for Demographic Research (Germany), SCB. Ålder Socialdepartementet LEV

SESIM en mikromodell simuleringsmodell med 300 000 individer (3%) nya moduler vårdkonsumtion: primärvårdsbesök PV öppenvårdsbesök ÖV slutenvårdsdagar SV läkemedelkonsumtion LM fokussjukdomar uppdaterade moduler hemtjänst särskilt boende ny koppling hälsa - dödsrisk Vårdkonsumtion Hemtjänst Särskilt boende Fokussjukdomar: cancer hjärt/kärl diabetes demens

Datakällor Primär datakälla i SESIM: LINDA (3,5% av befolkningen) till individerna kopplas uppgifter från olika administrativa register över inkomst och förmögenhet, löneinkomst, pensionsrättigheter, sjuk- och arbetslöshetsersättning, utbildning, etc. HINK/HEK och GEOSWEDE Skattning av vårdkonsumtion Primärvård: SHARE (2004 + 2007) Specialiserad öppenvård: ULF + öppenvårdsregistret Slutenvård: ULF + slutenvårdsregistret Läkemedel: ULF + läkemedelsregistret Äldreomsorg SNAC-K (Kungsholmsstudien)

Ett virtuellt livsöde 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 Ålder status hushållsstorlek inkomst (höger axel) 350 000 300 000 250 000 200 000 150 000 100 000 50 000 0

Befolkningens komposition Komprimerad sjuklighet Lancet Kvinnor svår ohälsa Kvinnor måttlig ohälsa Kvinnor lätt ohälsa Kvinnor full hälsa Män svår ohälsa Män måttlig ohälsa Män lätt ohälsa Män full hälsa

Resultat Till 2050 väntas kostnaderna för: Äldreomsorg öka med 70% Hälso- och sjukvård öka med 30% med ökad ambition/teknologinivå 80%

Vård och omsorgs andel av BNP 2050 Stiger från 13% till 16% Motsvarar ökning med 110 miljarder i dagens priser Kostar idag ca 330 mdr

Vägval Finansieringsmodeller, Besparingar eller Effektivisering?

Blekinge län Dalarnas län Gotlands län Gävleborgs län Hallands län Jämtlands län Jönköpings län Kalmar län Kronobergs län Norrbottens län Skåne län Stockholms län Södermanlands län Uppsala län Värmlands län Västerbottens län Västernorrlands län Västmanlands län Västra Götalands län Örebro län Östergötlands län Personalbrist inom äldreomsorg år 2030 per län 13 000 12 000 11 000 10 000 9 000 8 000 7 000 6 000 5 000 4 000 3 000 2 000 1 000 0 3,0% 2,5% 2,0% 1,5% 1,0% 0,5% 0,0% Brist år 2030 Riket ca 65 000 Bristen är mest springande: Gotland Norrbotten, Dalarna och Västerbotten Brist på antal årsarbetare i äldreomsorgen 2030 Brist som andel av arbetsför befolkning

Slutsats: de framtida behoven kan mötas! Med en produktivitetsökning på 0,6 0,7 procent per år inom vård- och omsorg kan det ökade behovet mötas utan att öka sektorns andel av BNP Det är möjligt att kombinera åtgärder för att möta de ökande behoven: Bättre hälsa och funktionsförmåga minskar behovet av vård och omsorg Tillgänglighet och hjälpmedel Fler arbetade timmar bidrar till tillväxten En effektivare vård och omsorg kan innebära bättre resultat och/eller minskade kostnader Nytänkande, utveckling och forskning Organisationsinnovationer och kapitalintensitet

LEV-II Ett scenario för hälso- och äldrevård år 2050 Sökes: Empati och High-tech Finnes:Tradition Socialdepartementet LEV

Drivkrafter / megatrender Teknik / kunskapsutvecklingen Förväntningsutvecklingen Disponibelinkomstutvecklingen LU Underifrån Acceleration Big data Decentraliserat ansvar Co-production

Varför behöver vi hjälp av beslutsfattande maskiner? Gregor Mendels arbete om genetik 1865 uppmärksammades inte förrän runt 1900 Semmelweis om handhygien BMJ 17 år Pubmed 17 milj artiklar ökar med 700 000 per år

Vi kan inte rätt värdera vår produktionskvalitet 97 % av college professorer anser sig till höra den bästa halvan 75 % av svenska akademiker samma Dito svenska förare Dvs vi inser inte att vi, patienter eller profession, behöver hjälp, därför måste jämförelserna och stöden diskret byggas in i vardagen.

En bild av framtiden

Den nya hälsovården All rutiniserad sjukvård inklusive psykiatri är automatiserad Läkare träffar enbart intressant sjuka Kirurgi minskar som botemedel, och av olyckor, men mer plastik och regenerativa ingrepp Nästan all personlig kontakt med vård och omsorg går via den personliga mentorn som med stöd av AI- beslutsstöd stöttar och motiverar. Främst livsstil och välbefinnande Patienter stöttar och hjälper varandra

Systemets roll Systemen är milt invasiva, dvs ger diskret råd och valmöjligheter där default är det rätta baserat på den totala mängden data kring individen och hela samhället Systemen är alltid med, 24-7 Varje kontaktpunkt består av minst två deltagare av fem möjliga: Patient/brukare, systemet, andra i samma situation, sociala kontakter, professionen I huvudsak är det AI system som förskriver all medicin I huvudsak är det AI system som diagnosticerar Terapi sköts av människor med en ökande andel robotar

Den nya hälsovården Primärvården läggs succesivt ner Omplåstring - färre olyckor - palpation Färre hus - mer hembesök ambulerande Labb & röntgen på tunnelbanan, i affärer Labb- LOV? Hemdiagnostik Kontakterna i vården initieras automatiskt eller av en mentor efter avvikande mätvärden/vanor Utökad screening gör att sjukdomar upptäcks i stage 0 -> Hälsovård istället för sjukvård Behandlar risker och inte främst sjukdomar

Big data De som är bäst på data är de som kommer att bli bäst på verksamhet, om de även kan implementera Integritetsdiskussion Maskininteraktion Användarinteraktion Internet 2.0, Semantic web, från textmassa till information

Äldreomsorg Industrialisera basbehoven, välfärdsrobotik Samma effektivitet och struktur som i snabbmatsrestauranger för renlighet, fysisk terapi och mat. Sensorer för att minimera fusk och tidsbrist. Underlätta än mer för äldre att träffa släkt Uppkopplade rullatorer som kan visa bilder från promenaden Personalen ska istället ägna tid åt att få de äldre att umgås.

Vad utmärker patienter om får den bästa vården under en övergångsperiod? Envisa Pålästa Relativt friska Hög inkomst Bor i storstad Tekniskt adaptiva Leder under en övergång till ökade klyftor i såväl hälsa som vilken vård man får

Det nya kommer underifrån trots rådande aktörer Datadrivet utvecklingsarbete Misslyckas mer och mindre Koppla upp befolkningen Inse att det är komplexa system!

ILD (Inner Leadership Development) Manifesto Allting som kan göras av maskiner (datorer, video, dataprogram, dataspel osv) skall göras av maskiner Allting som kan göras/beslutas av konsumenter (patienter, anhöriga, volontärer) skall göras/beslutas av dem Allting som kan göras enkelt, effektivt och roligt skall göras så Allting som kan mätas ska mätas Du och jag skulle vilja vara patienter där Du och jag skulle vilja arbeta där. Copyright 2008-2012 Ruslan Savitskij, Siv Johansson. Innernet AB

450 000 Utveckling av antal extra vunna kvalitetsjusterade levnadsår i relation till referensscenariot (QALY:s) 400 000 350 000 300 000 250 000 200 000 150 000 QALY per individ 2010: 0,86 2050 Utökad: 0,84 Uppskjuten 0,85 Komprimerad 0,86 Lancet 0,81 100 000 50 000 0 2 010 2 015 2 020 2 025 2 030 2 035 2 040 2 045 2 050 Utökad Uppskjuten Komprimerad Lancet

Fördelningsaspekter Koncentrationsindex - hälsa Koncentrationsindex - slutenvård 1 1 0,9 0,9 0,8 0,8 0,7 0,7 0,6 0,6 0,5 0,5 0,4 0,4 0,3 0,3 0,2 0,2 0,1 0,1 0 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 0 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 2010 2030 2050 2010 2030 2050

Sammanfattning: Åldersstandardiserad kostnadsutveckling vid scenarier för fokussjukdom Jämförelsen visar den kostnadsutveckling som äger rum om samtliga scenarios genererar en befolkningstillväxt enligt SCB Trend 1,9 77 Cancer Genomsnittlig årlig kostnadsutveckling i relation till referensscenariot (miljarder kr) Sammantagen kostnadsutveckling 2010-2050 i relation till referensscenariot (miljarder kr) 6,4 255 Hälsoscenario -5,6-223 Diabetes Genomsnittlig årlig kostnadsutveckling i relation till referensscenariot (miljarder kr) Sammantagen kostnadsutveckling 2010-2050 i relation till referensscenariot (miljarder kr) 3 121 Hälsoscenario -6-239 Demens Genomsnittlig årlig kostnadsutveckling i relation till referensscenariot (miljarder kr) Sammantagen kostnadsutveckling 2010-2050 i relation till referensscenariot (miljarder kr) 13,3 533 Hälsoscenario -18,1-725 Trend -1,7-66 Sjuklighetsscenario Sjuklighetsscenario Sjuklighetsscenario Sjuklighetsscenario Hjärt- och kärl Genomsnittlig årlig kostnadsutveckling i relation till referensscenariot (miljarder kr) Sammantagen kostnadsutveckling 2010-2050 i relation till referensscenariot (miljarder kr) 2,8 111 Hälsoscenario -4,8-194

AMR-scenario Procentuell kostnadsutveckling för hälso- och sjukvårdskonsumtion Befolkningsutveckling 170% 116% 160% 114% SCB AMR-scenario 150% 112% 140% 110% 130% 108% 106% 120% 104% 110% 102% 100% 2010 2015 2020 2025 2030 2035 2040 2045 2050 Primärvård Öppenvård Slutenvård Läkemedel Hälso- och sjukvård totalt 100% 2010 2015 2020 2025 2030 2035 2040 2045 2050 Kostnadstrycket är 0,07 % högre per år än vid det utökade sjuklighetsscenariot trots en väsentligt lägre befolkningstillväxt

Försörjningskvot vid olika sysselsättningsalternativ år 2010-2050 Antal unga och gamla, samt de icke sysselsatta per 100 sysselsatta* personer 180 160 140 120 100 80 60 2010 2015 2020 2025 2030 2035 2040 2045 2050 Lancet 78 % Lancet 83% SCB 78% SCB 83%

Varför statiska mikrosimuleringsmodeller? Tillåter experiment med reformer med individer Ger bra prediktion Är konsistenta på individnivå Dvs Rika & Friska och tvärtom Inte medelvärden Måste innehålla alla system för att kunna räkna på tex inkomster i hushållet Ger fördelningsanalyser Budgeteffekter Marginaleffekter Skatteuttag

Varför agentbaserade mikrosimuleringsmodeller? Ger dynamiska effekter och genererar rimliga beteenden. Kan ge prediktion om många körningar och bra validerade modeller Ger sannolikhetsfördelningar av utfall, även osannolika, utfall => känslighetsanalys. Kan ge emergenta, icke intuitiva utfall.

För- och Nackdelar med mikrosimuleringsmodeller Fördelen; att hantera helheten är även nackdelen, dvs det är komplext att få helheten att stämma i alla dimensioner samtidigt Tungt arbete att hålla modellmaskineriet uppdaterat med politiska reformer, beteendeförändring och demografi Svårt att hitta kompetent personal Teori Statistik Politik Analys Teknik Socialdepartementet LEV

Fördelar med mikrosimuleringsmodeller Hanterar helheten Bästa metoden för att fånga alla aspekter Hanterar demografi och dess påverkan Ger legitimitet Ger mer frihet till informerad spekulation genom experiment Ger kapacitet att utvärdera reformförslag på lång sikt Ger möjlighet att experimentera med scenarier, arbetslöshet, invandring, tillväxt, livslängd etc Socialdepartementet LEV

www.regeringen.se/lev Tack!