Potilasasiakirjat tietolähteenä sydänpotilaan hoitoprosessin viiveiden arvioinnissa : Kohti viiveiden tunnistamista ja ennustamista käyttäen luonnollisen kielen käsittelyä

Abstract

Viiveet hoitoprosessissa voivat aiheuttaa haittaa sekä potilaalle että henkilöstölle ja aiheuttaa lisäkustannuksia terveydenhuollolle. Sydän- ja verisuonisairaudet ovat merkittävä kansantauti ja yksi yleisimmistä syistä erikoissairaanhoidon vuodeosastohoidolle, joten on olennaista pyrkiä vaikuttamaan sydänpotilaiden hoitoprosessin viiveisiin. Yksi nouseva teknologia terveydenhuollon kentällä on luonnollisen kielen käsittely (NLP), joka voi olla hyödyksi viiveiden tunnistamisessa ja ennustamisessa. Toimiakseen NLP käyttää erilaisia tietomallinnuksen keinoja, kuten sanastoja. Manuaalisesti annotoidut sanastot lisäävät NLP-pohjaisen työkalun luotettavuutta tai on jopa edellytys sen tarkemmalle toiminnalle.

Tutkimuksen tarkoituksena oli kuvata sydänpotilaiden potilasasiakirjoihin kirjattuja hoitoprosessin viiveitä ja niihin liittyviä kirjattuja syitä. Tavoitteena oli muodostaa potilasasiakirjojen ilmauksista sanasto, jota hyödyntämällä voidaan NLP:n avulla tulevaisuudessa tunnistaa tai ennustaa potilasasiakirjoista automaattisesti ja reaaliaikaisesti hoitoprosessin viive ja sen mahdollisia syitä.

Tutkimusasetelmana oli retrospektiivinen potilasasiakirja-analyysi. Tutkimusaineistona oli yhden yliopistosairaalan sähköiset potilasasiakirjat. Aineistosta tehtiin ensin klusteriotanta (n=479 228) viivettä kuvaavien sanojen ja fraasien avulla. Tästä joukosta otettiin satunnaisotannalla 300 potilaan otos. Potilasasiakirjat käsittivät lääkärien, sairaanhoitajien ja muiden hoitoon osallistuvien ammattilaisten kirjaukset. Aineisto analysoitiin deduktiivisen sisällönanalyysin menetelmin, jota varten muodostettiin analyysimatriisi kirjallisuuskatsauksen pohjalta. Tämän jälkeen aineisto annotoitiin BRAT-annotointityökalun avulla. Aineisto saturoitui 200 potilaan kohdalla, jolloin annotointi lopetettiin. Analyysiä jatkettiin vielä induktiivisella luokittelulla ja tilastollisilla menetelmillä.

Analysoituja merkintöjä oli yhteensä 62 365. Aineistosta löytyi 391 ilmausta, jotka kuvasivat hoitoprosessin viivettä. Viiveen syihin liittyviä kirjauksia oli 329. Näistä muodostettiin kuusi yläkategoriaa: tilat ja välineet, henkilöstön koordinointi, henkilökunnan työtaistelu, työntekijöiden ammattitaito ja muut harvoin esiintyvät syyt. Selkeä enemmistö viiveen syistä liittyi tiloihin ja välineisiin (n=212). Hoitoprosessivaiheittain tarkasteltuna suurin osa viiveestä liittyi sairaalasiirtoihin (n=187).

Tutkimuksen perusteella tiedetään, että hoitoprosessin viiveistä ja niihin liittyvistä syistä kirjataan potilasasiakirjoihin ja niitä on mahdollista tunnistaa ja luokitella kirjausten perusteella. Tulosten pohjalta luotiin sanasto, jota voidaan hyödyntää jatkotutkimuksissa kehitettäessä NLP:hen pohjautuvia menetelmiä tunnistamaan tai ennustamaan hoitoprosessin viivettä.

Delays in patient care processes can cause harm to both patients and personnel and incur additional costs to healthcare provider. Cardiovascular diseases are a significant public health issue and one of the most common reasons for inpatient care in tertiary referral hospitals, making it essential to address delays in the treatment of cardiac patients. One emerging technology in the healthcare field is natural language processing (NLP), which can be useful in identifying and predicting delays in patient care. NLP uses various data modeling techniques, such as vocabularies. Manually annotated vocabularies enhance the reliability of NLP-based tools or are even a necessity for those to function more accurate.

The purpose of this study was to describe the delays in patient care processes documented in the records of cardiac patients and the recorded underlying causes of these delays. The goal was to create a vocabulary from the expressions in the patient documents that could be used in future research to develop NLP-based methods for identifying or predicting delays in patient care processes.

This retrospective patient record analysis consisted of electronic patient records from a tertiary hospital. Cluster sampling (n=479,228) was initially performed with words and phrases describing delays. From this group, a random sample of 300 patients was taken. The patient records included entries from doctors, nurses, and other healthcare professionals involved in the treatment. The data was analysed using deductive content analysis, for which an analysis matrix was created based on a literature review. Subsequently, the data was annotated using the BRAT annotation tool. Data saturation was reached with 200 patients, at which point annotation was stopped. The analysis continued with inductive categorisation and statistical methods.

A total of 62,365 documents were analysed. The data contained 391 expressions describing delays in patient care processes. There were 329 entries related to the causes of the delays. Six main categories were formed from these: facilities and equipment, employee coordination, employees labour disputes, employee skills, and other rare causes. The majority of delay causes were related to facilities and equipment (n=212). When examined by care process phase, most of the delays were related to hospital transfers (n=187).

The study shows that delays in care processes and their underlying causes are documented in patient records and can be identified and classified based on these entries. Based on the annotations, a vocabulary was created that can be used in further research to develop NLP-based methods for identifying or predicting delays in care processes.