En venøs tromboembolisme (VTE) er en livstruende sygdom. Risikoen for at udvikle VTE er op til 100 gange højere for indlagte patienter end den generelle befolkning. Behandling med blodfortyndende medicin mindsker risikoen for VTE men øger samtidig risikoen for blødning. Udregning af scores for risikoen for blødning og VTE kan støtte beslutningen, om der skal gives tromboseprofylakse til patienten og i så fald anbefale hvilken type. Det er dog tidskrævende at bruge disse scores, fordi sundhedspersonale skal lede igennem hele patientjournalen for at finde de informationer, som scoren regnes ud fra - fx om patienten tidligere har haft en abnorm blødning.

I denne artikel undersøgte vi om blødningshændelser automatisk kan detekteres i notatteksten fra patientjournaler. Automatisk detektering har potentialet til at reducere tiden som sundhedspersonale bruger på at lede igennem patientjournalen efter relevante symptomer og dermed forbedre behandlingen med tromboseprofylakse. Ved at bruge et kunstigt neuralt netværk detekterer vi sætninger, der indikerer blødning, i patientjournaler med 90,0% nøjagtighed målt på et testset bestående af 589 sætninger der indikerer blødning, og 589 sætninger der ikke indikerer blødning. Vi kan desuden detektere notater, der indikerer blødning, med en sensitivitet på 1,00, specificitet på 0,52 og npv på 1,00.

Læs artiklen ”Deep learning detects and visualizes bleeding events in electronic health records” hos rpth.