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

Schierup, Anders ; Jensen, Christian Bruun ; Van, Duy Thien

4. semester

Sundhedsteknologi (cand.polyt.), Kandidat

2012

2012-06-01

93

Siden loven om patientsikkerhed trådte i kraft i 2004, har sundhedspersonale skullet indberette utilsigtede hændelser til Dansk Patientsikkerhedsdatabase (DPSD). I 2010 blev ca. 35.000 hændelser rapporteret, en tidobling siden indførelsen af rapporteringspligten. I dag bliver rapporterne typisk klassificeret ved en manuel, retrospektiv gennemgang udført af risikomanagere og medarbejdere ved Patientombuddet. I dette projekt undersøger vi, om automatisk tekstklassifikation kan hjælpe med at udpege og kategorisere IT-relaterede utilsigtede hændelser i DPSD. Vi udviklede UTH-Finder, et system der bruger en Naive Bayes-algoritme (en enkel statistisk metode til at klassificere tekst) til at behandle og klassificere rapporter. Systemet blev trænet på et balanceret datasæt med 482 rapporter (241 IT-relaterede og 241 andre) og testet på tre uafhængige testsæt med 1.000 rapporter hver. I testene opnåede systemet 95% nøjagtighed og 95% specificitet ved klassifikation af IT-relaterede utilsigtede hændelser. Resultaterne peger på, at automatisk tekstklassifikation har potentiale til at understøtte kategoriseringen af utilsigtede hændelser i DPSD.

Since the Patient Safety Act came into force in 2004, healthcare staff have been required to report adverse events to the Danish Patient Safety Database (DPSD). In 2010, about 35,000 events were reported—a tenfold increase since reporting became mandatory. Today, reports are typically classified through manual, retrospective review by risk managers and staff at the Patient Ombudsman. This project examines whether automatic text classification can help identify and categorize IT-related adverse events in DPSD. We developed UTH-Finder, a system that uses a Naive Bayes algorithm (a simple statistical method for classifying text) to process and classify reports. The system was trained on a balanced dataset of 482 reports (241 IT-related and 241 other) and tested on three separate test sets of 1,000 reports each. In testing, the system achieved 95% accuracy and 95% specificity when classifying IT-related adverse events. These results indicate that automatic text classification has potential to support the categorization of adverse events in DPSD.

[Dette resumé er genereret ved hjælp af AI]

Algoritme ; Automatisk ; Bayes ; Dansk ; DPSD ; Hændelse ; Kategorisering ; Klassificere ; Klassifikation ; Learning ; Machine ; Naive ; Patientombuddet ; Patientsikkerhedsdatabase ; Rapportering ; Rapporteringssystem ; Sundhedsstyrelsen ; Tekstklassifikation ; UTH ; Utilsigtet

Download
Vis denne rapport i AAU Studenterprojekter