Kunstig intelligens identificerer blødningsepisoder i patientjournalen

Af: Rasmus Søgaard Hansen1 , Jannik Skyttegaard Pedersen1,2 , Martin Sundahl Laursen1,2, Thiusius Rajeeth Savarimuthu2 & Pernille Just Vinholt1

1Afdeling for Klinisk Biokemi og Farmakologi, Odense Universitetshospital 2Mærsk Mc-Kinney Møller Instituttet, Syddansk Universitet

Læge, Rasmus Søgaard Hansen Ph.d.-studerende og Hoveduddannelseslæge T: 2886 2288 – E: Rasmus.Sogaard.Hansen@rsyd.dk

Det er vigtigt at finde og håndtere patienter med blødningsrisiko, da blødning indenfor 14 dages indlæggelse optræder hos 3,2 % af medicinske patienter [1], og 1/3 af disse er svære blødninger [1,2]. Tidligere blødningsepisoder er en af de væsentligste risikofaktorer for fornyet blødning, men det kan være en besværlig og tidskrævende proces at afdække patientens tidligere blødningsepisoder via anamnesen, der er omfattende, og journalgennemgang, da teksten ofte er lang og ustruktureret. Vi vil derfor her belyse en mulig ny tilgang, som grundigt og hurtigt afdækker blødningshistorikken.

Center for Trombose og Hæmostase (CTH), Afdeling for Klinisk Biokemi og Farmakologi, Odense Universitetshospital (OUH) har indledt et samarbejde med ingeniører fra Mærsk Mc-Kinney Møller Instituttet, Syddansk Universitet for at udvikle ”Den Intelligente Patientjournal” (www.ipj.nu), hvor kunstig intelligens bruges til at identificere vigtige informationer i patientjournalen og skabe overblik. Dette sker via udvikling af Natural Language Processing (NLP) algoritmer, der er sprogteknologiske algoritmer som via et kunstigt neuralt netværk læser og forstår kontekst mellem ord. I korte træk trænes NLP algoritmer ved at fodre algoritmerne med en stor mængde tekst, som mennesker på forhånd har læst og markeret sætninger, der indeholder den relevante information.

En elektronisk dansk version af ISTH´s bleeding assesment tool muliggør, at patienten selv kan supplere med oplysninger om tidligere blødningsepisoder, der ikke er journalført.

I vores tilfælde har læger gennemlæst patientjournaler og markeret blødningsepisoderne i disse. Algoritmen konverterer hvert enkelt ord i teksten til en vektor af tal, som læses af et neuralt netværk, der husker ordenes betydning og deres relation til andre ord. Derved lærer algoritmerne at forstå kontekst, og er derfor ikke bare en udvidet søgefunktion. Algoritmen kan eksempelvis forstå at sætningen ”patienten har ikke hæmaturi” ikke indeholder en blødningsepisode, hvorimod sætningen ”Urin: Grad 4” er en hæmaturi blødningsepisode. Desuden kan algoritmen også forstå ords betydning trods stavefejl eller brug af forkortelser. Algoritme outputtet er sætninger med blødningsepisoder, hvilket præsenteres for læseren. Den nuværende algoritme [2], kan detektere og visualisere blødningsepisoder med 90 % specificitet og 90 % sensitivitet, hvilket er bedre end diagnosekoder for blødning [3]. Vi arbejder aktuelt på at øge performance yderligere.

Udover blødningsalgoritmen, har vi på CTH, OUH udviklet en elektronisk dansk version af ISTH´s bleeding assesment tool (Self-ISTH-BAT), hvilket kan fremsendes ved kontakt til Rasmus (Rasmus.Sogaard.Hansen@rsyd.dk) [4]. Dette værktøj muliggør, at patienten selv kan supplere med oplysninger om tidligere blødningsepisoder, der ikke er journalført. Den elektroniske self-ISTH-BAT kan patienten udfylde derhjemme for eksempel forud for en elektiv undersøgelse, og de afledte informationer kan være tilgængelig for lægen ved den følgende konsultation – evt. direkte i patientjournalen, hvor den kan give input til algoritmen. Ved at kombinere self-ISTH-BAT svar og score med blødningsalgoritmen (Figur 1), vil man således få et meget nuanceret billede af patientens samlede blødningsrisiko, der kan være til gavn i eksempelvis operationsplanlægning.

Denne konceptuelle tilgang til at finde information i patientjournalen kan naturligvis udbredes til andre områder, hvoraf venøse tromboser er et oplagt område.

Kunstigt neuralt netværk til gennemlæsning af patientjournal kombineret med patient administreret blødningsspørgeskema (self-ISTH-BAT) kan give et meget nuanceret billede af patientens blødningsrisiko.

1. Decousus H, Tapson VF, Bergmann JF, et al. Factors at admission associated with bleeding risk in medical patients: findings from the IMPROVE investigators.

Chest. 2011;139:69-79. 2. Pedersen JS, Laursen MS, Rajeeth Savarimuthu T, et al. Deep learning detects and visualizes bleeding events in electronic health records. Res Pract Thromb

Haemost. 2021;00:1–8. 3. Oger E, Botrel MA, Juchault C, Bouget J. Sensitivity and specificity of an algorithm based on medico-administrative data to identify hospitalized patients with major bleeding presenting to an emergency department. BMC Med Res Methodol. 2019;19:194. 4. Hansen RS, Carlsen M, Rasmussen KF, Vinholt PJ. Translation, validation, and usability of the International Society on Thrombosis and Haemostasis Bleeding Assessment Tool (Self-ISTH-BAT). Eur J Haematol. 2021 Mar 19.