Artificiell intelligens analyserar patientjournaler

Över tio procent av alla patienter som behandlas på ett sjukhus drabbas av en vårdrelaterad infektion. Det orsakar onödigt lidande och förlänger vårdtiden. Men inom sjukvården har man svårt att mäta exakt hur många som drabbas av en av dessa infektioner och om de ökar eller minskar. Detta trots att vårdprocessen dokumenteras noggrant i patientjournaler.

Genom att analysera patientjournaler med artificiell intelligens kan vi automatiskt se vilka patienter som har drabbats av en vårdrelaterad infektion. Nu planerar Karolinska universitetssjukhuset att installera ett sådant automatiskt program för att kontinuerligt bevaka antalet vårdrelaterade infektioner på varje klinik och se vilka åtgärder som gör att infektionerna minskar. En vårdrelaterad infektion kan till exempel vara en urinvägsinfektion eller lunginflammation.

Ett problem med kartläggningen av vårdrelaterade infektioner är att de sällan rapporteras. Det beror dels på att hälsovården ibland anser att vårdrelaterade infektioner är svåra att undvika, och dels på att man inte ens har noterat att det är en vårdrelaterad infektion.

När en patient behandlas på ett sjukhus så tar läkaren reda på vilka symtom patienten har och vilken sjukdom patienten lider av. Läkaren ordinerar en behandling och läkaren och sjuksköterskan dokumenterar hur behandlingen fortskrider. Behandlingen och vården dokumenteras av läkare och sjuksköterskor i miljontals digitala patientjournaler. Eftersom dessa patientjournaler är digitala och i stor mängd finns förutsättningarna för att lära datorn hur patienter behandlas och vilka behandlingar som leder till ett lyckat resultat och vilka behandlingar som inte fungerar så bra. Vilka patienter har fått en vårdrelaterad infektion? Hur förutsäger man om en patient riskerar att få en onödig vårdrelaterad infektion? Genom att bearbeta journalerna med ett maskininlärningsprogram kan man bygga ett system som varnar för biverkningar av läkemedel eller onödiga infektioner.

Ett maskininlärningsprogram bygger på att det ges ett stort antal exempel på korrekta svar och även exempel på fel svar. Programmet tränas upp av dessa positiva och negativa exempel och programmet lär sig. Programmet kan därigenom dra slutsatser som är rätt eller fel om det ges ett okänt exempel.

Vi har tränat ett maskininlärningsprogram som utnyttjar både text och data för att kunna räkna ut vilka patienter som har fått en vårdrelaterad infektion. Maskininlärningsprogrammet tränas på många patientjournaler som i förväg klassificerats manuellt i positiva exempel och negativa exempel.

Journalerna som vi tränar på är också förberedda så att de, förutom den fria ostrukturerade texten, också innehåller information om de mikrobiologiska prov som tagits på patienten, alltså vilka bakterier som förekommer i patientens kropp. Journalen innehåller också information om patientens kroppstemperatur, vilket ibland kan vara feber, som är kroppens reaktion på en eventuell vårdrelaterad infektion. Journalen innehåller information om vilka läkemedel som ges till patienten, läkemedel som kan vara antibiotika mot bakterieinfektioner som orsakar lunginflammation eller urinvägsinfektion.

Maskininlärningsprogrammet gör olika analyser av journalen under träningen. Det grupperar olika delar av träningsmängden i grupper som är signifikanta för att skapa bra resultat och det räknar ut antal ord per dokument, antal typer av ord per dokument, tills det hittar den mest optimala kombinationen. Bindeord och andra vanliga ord som förekommer i alla dokument och som saknar betydelse filtreras bort i analysen. Programmet letar i stället efter ord som är unika och typiska för ett visst dokument. Detta räknas ut genom att jämföra orden i dokumentet med alla ord i alla dokument. Maskininlärningsprogrammet hittar ord som växt, infektionskonsult, mkt, fortsatt, 38, antibiotika, infektion, besvär, byt, flytt, idag, blododling, vårdförlopp, mycket, 39 och 40, som är betydelsebärande och som det sedan använder i analysen.

Vid vår utvärdering hittade programmet 94 procent av alla vårdrelaterade infektioner, där 83 procent av de funna infektionerna var rätt klassificerade som vårdrelaterade infektioner. Det är bättre att fånga upp många möjliga vårdrelaterade infektioner och att några av dessa är falska alarm, än att missa några, vilket visar att analysen fungerar.

Förhoppningen är att vi nu ska kunna förutsäga vilka patienter som riskerar att få en vårdrelaterad infektion, så att preventiva åtgärder kan utföras innan patienten drabbas av en vårdrelaterad infektion.

Om forskaren: Hercules Dalianis

Hercules Dalianis är professor i data- och systemvetenskap vid DSV, Stockholms universitet, och forskningsledare för Clinical text mining group, som studerar elektroniska patientjournaler.