A master thesis from Aalborg University
Automatisk klassifikation af utilsigtede hændelser fra Dansk Patientsikkerhedsdatabase - et system baseret på Naive Bayes
[Automatic classification of adverse events from the Danish Patient Safety Database - a system based on Naive Bayes]
Forfatter(e)
Semester
4. semester
Uddannelse
Udgivelsesår
2012
Afleveret
2012-05-31
Antal sider
93 pages
Abstract
Siden loven om patientsikkerhed trådte i kraft i 2004, har det været lovpligtigt at indberette utilsigtede hændelser til Dansk Patientsikkerhedsdatabase (DPSD). I 2010 blev der rapporteret ca. 35.000 hændelser, hvilket er en tidobling siden indførelsen af rapporteringspligten. I dag klassificeres rapporterne ved en manuel retrospektiv gennemgang fortaget af risikomanagere og ansatte ved Patientombuddet. I dette projekt undersøges potentialet for anvendelse af automatisk tekstklassifikation til kategorisering af IT-relaterede utilsigtede hændelser indrapporteret til DPSD. Et system kaldet UTH-Finder blev udviklet, som ved anvendelse af en Naive Bayes algoritme kunne processere og klassificere DPSD rapporter. Et balanceret træningssæt på 482 rapporter (241 IT-relaterede og 241 andre hændelser) og tre testsæt på hver 1.000 rapporter blev anvendt til at teste systemet. Resultatet af testen viste en nøjagtighed og specificitet på 95 % ved klassifikation af IT-relaterede utilsigtede hændelser. Det konkluderes med udviklingen af UTH-Finder at automatisk tekstklassifikation har potentiale for anvendelse til kategorisering af utilsigtede hændelser fra DPSD.
Since the law of patient safety came into force in Denmark in 2004 it has been required by law to report adverse events to the Danish Patient Safety Database (DPSD). 35.000 incidents were reported in 2010, which is a tenfold increase since the introduction of the law. Adverse events are currently classified by a manual retrospective review by risk managers and employees at Patientombuddet. This project investigated the potential of using automatic text classification to categorize IT-related adverse events reported to DPSD. A system called UTH-Finder was developed, which is able to process and classify DPSD reports by using a Naive Bayes algorithm. A balanced training set containing 482 reports (241 IT-related and 241 other events) and three test set each containing 1.000 reports was used to test the system. The system classified IT-related adverse events with an accuracy and specificity of 95 %. With the development of UTH-Finder it is concluded that automatic text classification has a potential to be used in categorization of adverse events from DPSD.
Emneord
Algoritme ; Automatisk ; Bayes ; Dansk ; DPSD ; Hændelse ; Kategorisering ; Klassificere ; Klassifikation ; Learning ; Machine ; Naive ; Patientombuddet ; Patientsikkerhedsdatabase ; Rapportering ; Rapporteringssystem ; Sundhedsstyrelsen ; Tekstklassifikation ; UTH ; Utilsigtet
Kolofon: Denne side er en del af AAU Studenterprojekter — Aalborg Universitets studenterprojektportal. Her kan du finde og downloade offentligt tilgængelige kandidatspecialer og masterprojekter fra hele universitetet fra 2008 og frem. Studenterprojekter fra før 2008 kan findes i trykt form på Aalborg Universitetsbibliotek.
Har du spørgsmål til AAU Studenterprojekter eller Aalborg Universitets forskningsregistrering, formidling og analyse, er du altid velkommen til at kontakte VBN-teamet. Du kan også læse mere i AAU Studenterprojekter FAQ.