Beslutsstöd för diagnossättning och triagering inom primärvården
Diarienummer | |
Koordinator | DOCTRIN AB |
Bidrag från Vinnova | 1 447 093 kronor |
Projektets löptid | maj 2017 - mars 2019 |
Status | Avslutat |
Utlysning | Digitalisering för bättre hälsa, vård och omsorg |
Syfte och mål
Projektet har, baserat på Doctrins anamnesverktyg, tillsammans med KTH, Lunds universitet och Capio AB utvecklat en maskininlärningsprototyp för triage av patienter med de 10 vanligaste sökorsakerna i primärvården. För att kunna genomföra detta arbete så har en process för maskinell anonymisering av medicinska data utvecklats samt användargränssnitt för annotering och validering av medicinska rapporter. Resultaten kommer att rapporteras i vetenskapliga publikationer under 2019-2020, samt spridas till andra intressenter i populärvetenskaplig form.
Resultat och förväntade effekter
Resultaten visar att patientrapporterade strukturerade medicinska data (frågeformulärssvar) har begränsat prediktivt värde för triage, både när de tolkas av människa och maskin, och att mänsklig tolkning av patientens egen beskrivning av föreställningar, förväntningar och farhågor är det som gör skillnad. Preliminära data visar att maskinell fritextanalys av patientens egen beskrivning+ chatt förbättrar prediktionen av triagenivå. Jämförelsen mellan läkare och maskininlärningsalgoritmen begränsas av en stor interbedömarvariabilitet mellan studerade läkare.
Upplägg och genomförande
14220 maskinellt anonymiserade medicinska rapporter låg till grund för projektet. Ur dessa valdes 300 rapporter (30 st av de vanligaste 10 sökorsakerna) slumpmässigt ut för annotering (triagekategori och upp till 3 differentialdiagnoser) av en specialist i allmänmedicin. Maskininlärningsalgoritmen tränades på dessa annoteringar. 5 läkare i primärvård diagnossatte och triagerade 300 andra rapporter för samma sökorsaker och deras bedömningar jämfördes sedan med maskininlärningsalgoritmens resultat.