Op til 15% af indlagte medicinske patienter oplever venøse tromboembolisme (VTE), hvis forebyggende blodfortyndende behandling ikke gives. Det kan medføre lungeemboli, der har en 30-dages dødelighed på 30%. Højrisikopatienter bør derfor modtage forebyggende behandling, hvilket sker utilstrækkeligt hos 2 ud af 3 patienter. I henhold til guidelines bør man bestemme behovet for forebyggende behandling ud fra en risikoscore baseret på kliniske informationer fra patientjournalen. Aktuelt skal sundhedspersonale manuelt finde informationerne til at beregne risikoscorer, hvilket er tidskrævende og komplekst i følge lægerne. Ydermere skal dette gøres på indlæggelsestidspunktet, hvor sundhedspersonalet - med rette - har brug for tiden med patienten i stedet for foran skærmen.

Formålet med projektet er at automatisere risikovurderingen for VTE hos indlagte patienter til bedre beslutningsstøtte om forebyggende behandling. Tekstnotater fra patientjournaler bruges til at udvikle en kunstig intelligens algoritme, der kan detektere VTE-indikerende sætninger. Dette kombineres med en algoritme vi allerede har udviklet til at finde blødningstilfælde, samt andre informationer fra patientjournalen, til en beregning af risikoscorer. I samarbejde med brugerne designes en prototype af risikovurderingsværktøjet, der risikovurderer i henhold til gældende guidelines, som efterfølgende afprøves på indlagte patienter. Vi udvikler desuden en multi-markør-model på retrospektive data til løbende overvågning af VTE-risikoen, som dermed kan fange ændringer i patientens tilstand og behandlingsbehov.