IKTPLUSS-IKT og digital innovasjon

ICD-10 diagnosekoder spiller en viktig rolle på norske og svenske sykehus så vel som i verden. Etter hver pasientkontakt skal behandler registrere en eller flere diagnoser eller prosedyrekoder som beskriver hva slags utredning eller behandling pasienten har fått. ICD-10 kodesystemet omfatter over 30.000 koder og kan være både vanskelig og tidkrevende å bruke. Ofte vil klinikere registrere feil koder, eller ikke få med alle passende koder. Kodene som registreres samles og brukes på overordnet nivå til å måle aktivitet på sykehusene. Feilaktig og mangelfull koding gjør det vanskelig å fakturere korrekt og planlegge for effektiv ressursutnyttelse i helsetjenesten. I ClinCode prosjektet skal vi undersøke hvordan datamaskinassistert kodestøtte (Computer-Assisted Coding, CAC) kan øke kvaliteten på ICD-10 koding uten at klinikeres arbeidsbelastning blir større. I sykehusenes elektroniske pasientjournaler finnes allerede et omfattende materiale av manuelt kodede pasientforløp. I vårt prosjekt skal vi studere den medisinske spesialiteten gastrokirurgi. Pasientjournalene skal brukes til å utvikle et dataprogram som kan lese den enkeltes journal og automatisk foreslå passende ICD-10 koder til behandlende lege. Dataprogrammet vil analysere både fritekstnotater og strukturert data som allerede er kodet manuelt ved hjelp av naturlig språkprosessering (Natural Language Processing, NLP) og dyp læring (Deep Learning) eller det som også kalles kunstig intelligens metoder (AI) og lære av disse dataene. CAC programmet skal integreres i DIPS Arena elektronisk pasientjournalsystem. Arbeid utført i 2021 Et svensk gastrologisk datasett bestående av 6 000 epikriser og tilhørende manuelt skrevne ICD-10 diagnosekoder er blitt ekstrahert. Dette datasettet er blitt brukt til å trene en svensk dyplærende BERT språkmodell. En tidlig CAC prototype og demo (ICD-10-koder) for svenske koder er blitt produsert. Resultatene er beskrevet i tre publiserte artikler. En av artiklene inneholder eksperimenter utført parallelt med sammenliknbare spanske og svenske epikriser. Det svenske gastrologiske datasettet er blitt de identifisert og delt med forskerteamet i Tromsø, Norge. Datasettet blir nå re-kodet av en ICD-10 kodeekspert for å øke kvaliteten på treningsdataene. Søknad til REK er godkjent, og per dags dato venter vi på tilbakemelding fra Universitetssykehuset i Nord-Norge (UNN) angående datatilgang for prosjektet.

This project will develop a Computer-Assisted Coding (CAC) tool for ICD-10 coding for Norwegian electronic health records and specifically for the discharge letter. There are over 20 000 ICD-10 diagnosis codes for Norwegian divided into 22 chapters. The codes are hierarchical in 3 levels and each code has a textual description. One or several of these ICD-10 codes are assigned to the patient's discharge summary by the physician both for medical and for administrative purposes. The process of assigning codes is difficult and time consuming and it is also shown that up to 41 percent of the manually assigned main diagnosis maybe wrong or sometimes missing. The CAC tool will learn from previously manually coded discharges summaries, patient notes both free text and structured information such as laboratory results, blood values, etc and assign ICD-codes to unseen discharge summaries. The CAC tool will use Artificial Intelligence methods such as Natural Language Processing and Deep Learning techniques to learn and predict codes. Ranked ICD-10 code suggestions will be presented to the physician such that he or she can can select among them and assign the correct code. This will enable fast and high quality semi automatic ICD-10 coding. The CAC tool can also be used for assessing coding quality on historical data for hospital management and health authorities. The CAC tool will reduce coders workload and improve overall code quality. High-quality codes enable efficient data reuse, promoting fast knowledge generation in healthcare, thereby laying foundations for personalized medicine, more efficient health management, and, subsequently, higher quality of care. The project builds on the clinical text mining research activities started in the incubator project, NorKlinTekst (HNF1395-18), funded by Helse Nord in 2017.