Data-driven care pathways: augmenting clinical process design with decision support

Electronic health record (EHR) systems are a cornerstone of modern healthcare: they give health professionals quick access to important patient information, letting them cooperate with professionals from other disciplines and locations when treating patients. At the same time, they also strive to preserve patients’ privacy, both by limiting access to patients’ records, and by keeping records of who requested them. They also serve important organizational roles for hospitals, such as tracking patients’ appointments and ensuring that medical services are billed correctly. EHR systems have to tackle very different clinical situations while serving all of these roles at the same time. As a result, they tend to have complicated user interfaces, requiring training to use them effectively. This complexity also makes additional work of entering patient information: this work often ends up being done by the clinicians themselves, giving them less time to follow up patients. In addition, EHR systems also rely on practitioners to keep track of recommended treatment practices, and give them the responsibility of manually ensuring that necessary steps are taken during a patient’s treatment, which makes the systems more demanding to use. This PhD project will investigate whether EHR systems can learn from patient records and auditing logs to find common treatment patterns at hospitals. These patterns could be automated and integrated into EHR systems, letting them adapt to the hospitals’ processes. The same patterns could form the basis for new care pathways, creating opportunities to establish good treatment practices. The project will also investigate whether the patterns can be used to provide shortcuts to commonly performed tasks in the EHR system. This could reduce the amount of rote data entry work for clinicians, giving them more time to follow up patients. By giving pointers to relevant tasks, they could also make systems easier to learn and less demanding to use.

Elektronisk pasientjournal (EPJ) er aktivt i bruk i norske sykehus, og gjør det enklere for helsepersonell å lagre viktig medisinsk informasjon og å sørge for at pasienter blir fulgt opp. Samtidig krever EPJ-systemer mye tid fra helsepersonell: ofte må klinikere selv taste inn pasientinformasjon, og mange EPJ-systemer krever at brukeren har fullstendig oversikt over behandlingsløpet til pasienten. Dette lager ekstraarbeid for helsepersonell, og gir dem mindre tid til å følge opp pasienter. Derfor er det ønskelig å bruke EPJ for å tilby prosesstøtte som gir en felles oversikt over behandlingsforløpene en pasient er del av. Å lage slik støtte krever ekspertise på flere områder: man må vite hvordan behandlingen skal gjennomføres, hvilke ressurser sykehuset har til rådighet, og hvordan prosessen skal vises i EPJ-systemet. Dermed er det viktig å ha et godt rammeverk for å vurdere hvilke prosesser som kan automatiseres gjennom EPJ. EPJ-systemer lagrer store mengder informasjon om pasienters behandlingsforløp. Utfordringen er at mye av denne informasjonen ligger i tekstnotater som er ment for annet helsepersonell, og ikke i en form som umiddelbart lar seg tolkes maskinelt. Samtidig har maskinlærings- (ML) og språkgjenkjenningsteknikker (NLP) utviklet seg særdeles raskt, og er modne nok til å trekke ut informasjon om behandling og diagnoser fra slike tekstnotater. Ved å anvende disse teknikkene for å jevnføre pasientdata med bruksdata fra EPJ-systemet, håper vi å finne muligheter for å automatisere vanlige prosesser og redusere det administrative arbeidet for klinikere.