Overalt i sundhedsvæsenet anvender personalet diagnosekoder, når de har kontakt med patienter. Disse koder består af en kombination af bogstaver og numre, knyttet til en specifik diagnose. Brugen af diagnosekoder skal sikre, at sundhedspersonalet kan kommunikere sikkert og entydigt med hinanden, samtidig med at det gør det muligt at indhente statistik til brug i forskning og til forebyggelse.

Men trods diagnosekoder kan det være vanskeligt at få et hurtigt overblik over en patients eksisterende diagnoser. Undersøgelser har vist, at der ofte bliver lavet fejl i den manuelle tildeling af koder, og samtidig er diagnoserne ofte gemt i journaler i forskellige systemer. Det kan være et problem i en situation, hvor en patient er bevidstløs, konfus eller ikke har pårørende i nærheden.

Nu har forskere på Aalborg Universitet udviklet en model, der ved brug af maskinlæring automatisk kan udlede, hvilke eksisterende diagnoser en patient har på baggrund af vedkommendes medicinliste. Adjunkt Tomer Sagi fra Institut for Datalogi forklarer:

- Når ambulancereddere kommer for at hente en person, spørger de ofte efter medicin, som de kan tage med til lægerne. Tanken er, at hvis en læge kan finde frem til, hvad en person i forvejen fejler på baggrund af medicin, kan et maskinlæringssystem måske gøre det samme. Og på den måde kan vi hjælpe sundhedspersonalet med hurtigt at få afklaret, hvad det er for en patient, der er på vej med ambulancen.

RETTE MENNESKELIGE FEJL

Udover hurtigere adgang til diagnoser, kan modellen på sigt også være en hjælp til at rette de menneskelige fejl, som er uundgåelige i diagnosekodning.

- Systemet kan highlighte, hvis der er uregelmæssigheder og påpege fejl. Jo større fejlen er, jo nemmere er det. Hvis en person får diabetesmedicin, og lægen angiver, at personen har kræft, kan systemet meget let opfange fejlen. Det er langt sværere, hvis lægen blot har valgt en forkert undertype af diabetes, forklarer Tomer Sagi.

I forbindelse med udarbejdelsen af modellen har forskerne arbejdet sammen med kolleger fra Aalborg Universitetshospital og Klinisk Institut ved Aalborg Universitet. De har trænet modellen ved brug af et amerikansk datasæt samt data fra det Danske Landspatientregister, og ifølge Tomer Sagi fungerer modellen i udgangspunktet ret godt, selvom det langt fra kan stå alene:

- Systemet kan godt udlede, at hvis en patient har en recept på insulin, har vedkommende nok diabetes. Og hvis han får hjertemedicin, har han nok en form for hjertesygdom. Omvendt kan andre sygdomme være næsten umulige at identificere på baggrund af medicin. Det kan eksempelvis være noget medfødt – eller hvis vedkommende får et præparat, der bruges til at behandle flere typer sygdomme.

LOVENDE PERSPEKTIVER
Ifølge Tomer Sagi er der lovende perspektiver i at arbejde videre med metoder til at diagnosticere på baggrund af medicin – og ser gerne endnu mere samarbejde med andre forskere og sundhedsvæsenet.

- Der er en række udfordringer inden for feltet. F.eks. kunne det være smart, hvis vi kunne kombinere medicinregistre med journaler og billeder. Men i Danmark er journaler eksempelvis skrevet på dansk – og alle de systemer, der kan udlede diagnosekoder på baggrund af tekst, trænes på engelsk. Det er et problem, og en af de ting, som vi gerne vil arbejde videre med.

_______________________________________________________________________

VIL DU VIDE MERE?
Læs artiklen: Assigning Diagnosis Codes Using Medication History
Find datasæt her

Kontakt
Adjunkt Tomer Sagi
Data, Knowledge and Web Engineering,
Institut for Datalogi, Aalborg Universitet
Mail: tsagi@cs.aau.dk