Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

TextMining_SASForum_2013

Præsentation til SAS Forum 2013
by

Ulrik Gerdes

on 15 December 2016

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of TextMining_SASForum_2013

Text analytics og elektroniske patientjournaler
Udvikling: Vi har fået mange idéer, fx…
Hvilke metoder har vi brugt?
Oplysninger om (be)handlinger
Oplysninger om undersøgelser
Logiske operatorer
Tidsvindue(r)
Beskrivelser af kliniske fund
Modulopbyggede algoritmer
September 2013 :: Erfaringer fra et projekt med identifikation af problemer med patientsikkerheden på et sygehus
Ulrik Gerdes
Kan man lære en computer at læse fritekster i patientjournaler for at hjælpe med opgaven?
Det kræver systematiske registreringer af problemerne
De fleste informationer findes som fritekster i patientjournaler
Manuelle læsninger er resursekrævende
Forbedring af patientsikkerhed
Udfordringer!
En ofte anvendt metode til strukturerede gennemlæsninger af patientjournaler
To reviewere og en supervisor gennemgår fx 20 journaler fra et sygehus hver måned
Der anvendes en liste med 56 triggere (markører) for mulige patientskader
Eventuelle skader identificeres sideløbende
Det tager typisk 40-50 minutter per journal
Kvaliteten af metoden diskuteres, bl.a. fordi resultaterne afhænger af folks erfaring (træning)
Manuel metode: Global Trigger Tool (GTT)
Algoritmerne er (især) gode til at frasortere journaler uden problemer…!
Patienter der er faldet under en indlæggelse, uanset om de kom til skade eller ej
Resultater :: Eksempel :: Fald
Behov for at præcisere definitionerne af 'triggere' (markører) og skader?
Andre måder at gøre tingene på?
Hvad er »sandheden«…?
En central problemstilling!
Samarbejde
Der er et stort potentiale i udviklingen af text analytics til brug i sundhedsvæsenet
Det er krævende arbejde, især i et lille sprogområde
Vi er interesserede i at samarbejde med alle der beskæftiger sig med emnet i Danmark 
Tak for jeres opmærksomhed!
Formål
Metoder
Resultater
Udvikling
Det er en stor kunst at få de rette data i hænderne på de rette folk med de rette værktøjer til rette tid…
Om projektstyring…
Sproget i patientjournaler
Velformulerede sætninger versus SMS-stil, fx...
»Patienten har selv seponeret sin ventrikelsonde«
»Pt selv sep v-sonde«

Stavefejl, fx...
Trygsår, tryk sår, tyksår, decibitus, dukibitus… etc.

Forkortelser & slang, fx...
aff, at, blp, cic, epi, epid, fl, forb, ga, gens, gop, hyg, inf, ka, kath, knag, kvalmest, kvo, mob, msu, omk, ooa, opv, seq, sh, sik, stg, suff, uls, vt

Helt sort snak, fx...
»Bor på landbrug med dyr hånd« (talegenkendelse)
Indholdet i patientjournaler
Komplicerede og variante strukturer
Forskellige typer af noter
Ting der ændres med tiden

Tidsforløb...!

Kvantitet og kvalitet
Der er betydelige forskelle på hvor meget der skrives/dokumenteres og hvor godt/grundigt det gøres
Redundante informationer (gentagelser)
Implicitte informationer (alt det der ikke står)
Sygehuse og afdelinger er forskellige
Det er vigtigt at gøre sig klart…!
Forskellige patientgrupper
Forskellige måder at registrere informationer på
Forskelligt sprog (»dialekter« og slang)
Modulopbyggede algoritmer er en fordel
Overlæge, dr.med., lektor
Center for Kvalitet ∙ Region Syddanmark ∙ Middelfart
Institut for Region Sundhedsforskning ∙ Syddansk Universitet
Teknikken har et stort potentiale
Der er betydelige udfordringer
Et nationalt samarbejde er ønskværdigt
Konklusioner
Rent praktisk
Manuel
læsning
Computer
Hvilke 'triggere' og skader?
Spørgsmål…?
Gode erfaringer med brug af SharePoint
Vidensdeling...!
Et integreret procesværktøj til praktisk brug
SAS Enterprise Text Miner
SAS Content Categorization
Software
Hvordan har vi gjort...?
Prototypen er ved at blive afprøvet...
Vi har testet algoritmerne
med nye (ukendte) journaler
100 stk. fra samme sygehus
Resultater = Gode
65 stk. fra et andet sygehus
Resultater = Rimelige
100 stk. fra samme sygehus [GTT-reviewere]
Resultater = Lærerige
En god platform til vidensdeling...
En effektiv arbejdsplads for proffer...
Og læg lige mærke til vores hardware...!
Vi har arbejdet med 2 computer og 3 store skærme...
Én der viste Content Categorization
Én der viste resultaterne i Excel 2010, og
Én vi brugte til løbende at føre logbog
Vi brugte ofte også vores iPads og papir [...] til at holde styr på tingene
Lærerige? Hvordan...?
Mennesker er indbyrdes ofte mere uenige end mennesker og computeren er...!
Peopleware
To kvikke hoveder med komplementerende kompetencer!
Eksempel :: Tryksår
Beskrivelser

af hudforandringer der kan være tryksår, fx rødme, vabler og ømhed
Ord for anatomien hvor tryksår typisk opstår, fx hæle, bagdel og skulderblade
Omtale af tiltag for at forebygge eller behandle tryksår, fx luftmadras, smøring og trykaflastende pude
Frasortering af informationer, hvis en patient bliver indlagt med tryksår (som ikke er sygehusets skyld)
Eliminering af oplysninger om at en patient IKKE har tryksår, oplysninger om tidligere problemer etc.
Sådan ser det ud...
Om brugerinddragelse i udviklingen af sundheds-it-projekter
Det er lettere sagt end gjort...!
Klinisk arbejdende personale er travle mennesker
Folk har meget varierende it-kompetencer
Fra Patientsikkert Sygehus 2013
Fokus på særligt sårbare patientgrupper i stedet for på bestemte problemer?
Det er ikke svært at tilpasse brugen af text analytics til afdækning af nye synsvinkler på patientsikkerhed, fx med fokus på særlige risici for gamle mennesker eller for cancerpatienter
http://www.kliniskbiokemi.net/textmining.html
Christian Hardahl
Seniorkonsulent
SAS Institute Danmark
Typisk 50-100 gange!
Full transcript