No description available.

I bakgrunden beskrivs att akut koronart syndrom (AKS) kan vara relaterad till en osund livsstil och skulle kunna förebyggas genom att avstå rökning, äta balanserad kost, vara fysiskt aktiv och måttlig alkoholkonsumtion. Livsstilsförändring anses som en bidragande faktor till minskning av kardiovaskulär morbiditet och mortalitet samt återinsjuknande av AKS. Målet i vården är att förhindra sjukdomsprocessen, återge livskvalitet till patienterna, motivera till livsstilsförändring samt förhindra återinsjuknande. Patientens engagemang till livsstilsförändring kan påverkas beroende på hur patienten uppfattar allvarlighetsgrad av sinsjukdom, vilket förtydligas med hjälp av health belief model’s (HBM) teori. Studien behövsför att identifiera vilka faktorer som kan hindra eller främja patienter till livsstilsförändring. Sjuksköterskor behöver en ökad kunskap för att stödja patienterna till att uppnå en livsstilsförändring som är hållbar utifrån deras förmågor. Syftet med studien var att identifiera interna och externa faktorer som kan hindra eller främja livsstilsförändring hos patienter efter att ha drabbats av AKS. Metoden som valdes var litteraturstudie för att besvara syftet. Studier publicerade under åren 2008-2018 inkluderades och artikelsökningarna gjordes i databaserna Cinahl Complete, PubMed samt manuell sökning. Datainsamlingen resulterade i 16 vetenskapliga artiklar med både kvalitativ och kvantitativ metod. Kvalitetsgranskningen gjordes utifrån Sophiahemmet Högskolas bedömningsunderlag för kvalitetsgranskning. Dataanalysen gjordes utifrån en integrerad analys. I resultat framkom fem kategorier, respektive med åtta underkategorier. Huvudkategorierna var fysiska faktorer, psykologiska faktorer, vilka var interna faktorer samt sociala faktorer, socioekonomiska faktorer och vårdrelaterade faktorer, som var externa faktorer. Familjen och nära anhöriga hade en stor inverkan och skapade motivation genom att stötta patienterna. Patienter med högre utbildning och god ekonomi var mer benägna att leva mer hälsosamt. Hindrande faktorer till livsstilsförändring var hög ålder, komorbiditet och fysiska funktionsnedsättningar. Nedstämdhet och chock av att drabbas av AKS hindrade patienter att göra förändringar, att inte acceptera sjukdomen begränsade patienterna. Familjekonflikter och brist på stöd hindrade en sund livsstil. Patienter med kunskapsbrist som inte insåg sambandet mellan AKS och livsstilsförändring, hade svårigheter att förändra livsstilen. Bristfälligt professionellt stöd och bristfällig uppföljning hindrade en hälsosam livsstil. Slutsatsen av studien var att interna och externa faktorer kan både hindra och främja patienter att göra livsstilsförändringar efter AKS. Det behövs både kunskap och medvetenhet om riskfaktorer till AKS för att kunna främja hälsa och motverka ohälsa. Patientens egna förmåga är beroende av den sociala omgivningen, familj och av vårdpersonalen som har en viktig påverkan i förändringsprocessen. Sjuksköterskan kan tillsammans med patienten skapa individuella förutsättningar att göra livsstilsförändringar, vilket kan leda till ökad livskvalitet och minska risken för återinsjuknande.

Chest pain is one of the most common complaints amongst patients seeking urgent medical care at hospitals. Chest pain can be a symptom of serious cardiovascular disease such as acute coronary syndrome (ACS), however, most underlying causes are benign. Risk stratification in early stages of medical evaluation is difficult. As a consequence, many patients with chest pains are unnecessarily admitted to hospitals. There is precedent for using machine learning (ML) to aid in predicting cardiovascular disease. In this thesis, our goal is to investigate the feasibility of using ML as a complement to safely discharge patients. We use data collected by the ‘Clinical Expert Operating System - Chest Pain Danderyd Study’ (CLEOS-CPDS). Several models are developed to predict the risk of ACS following chest pains and for identifying important factors. Our best performing model on the highest risk class uses the random forest algorithm. The model has a recall score of 0.58 on the highest risk class using a subset of the medical history background. It admits 10 out of 12 patients who ultimately suffers from ACS, however, only 7 out of 12 are classified as high risk. Identified important features are mostly known risk factors, some of which are used in current risk calculations. However, less known factors such as chest pain radiation and associated symptoms, are also identified as important. The conclusion is that it is feasible to use a machine learning model to aid in risk stratification of ACS in early stages of evaluation, but that the current model needs improvement. In future work, a larger and more complete dataset with a longer follow-up period of patients may be highly beneficial to improve the model performance and verify the conclusions of this thesis. / En av de vanligaste orsakerna till att patienter söker akut sjukvård är bröstsmärta. Bröstsmärta kan vara ett symptom på livshotande sjukdom såsom akuta koronara syndrom (AKS), vilket innefattar hjärtinfarkt. Men i de allra flesta fall brukar orsakerna vara ofarliga. Det är svårt att bedöma bröstsmärtor i ett tidig skede och som en konsekvens utreds många patienter kanske i onödan, för att inte missa AKS. Vårt mål med den här rapporten är att utreda möjligheten att använda maskininlärning som stöd i riskbedömningen. Vi försöker identifiera viktiga faktorer i ett tidigt skede som kan hjälpa läkare att på ett säkert sätt utesluta allvarlig sjukdom. Detta görs genom att vi utvecklar flera maskininlärningsmodeller och jämför dessa mot varandra. Vi använder oss av data insamlad genom den pågående studien ‘Clinical Expert Operating System - Chest Pain Danderyd Study‘ (CLEOS-CPDS). Modellen bäst på att förutspå hög risk väljs sedan ut och analyseras närmare. Resultatet är en ‘Random Forest‘ modell. Modellen klassificerar åtminstone inläggning i 10 av 12 allvarliga fall, varav 7 av 12 fall klassificeras helt korrekt. Flera välkända riskfaktorer identifieras som viktiga, varav en del, men inte alla, redan ingår i nuvarande riskkalkyler. Vår slutsats är att det finns goda chanser att använda maskininlärning som ett komplement i sjukvården för att kunna utesluta allvarlig sjukdom, men att den nuvarande modellen behöver förbättras. För att säkerställa resultaten från denna rapport och förbättra modellen kan framtida undersökningar med fördel genomföras på mer data i fullständigare skick, samt med längre uppföljningstid på patienterna.