Piek Vossen en text miners uit zijn groep helpen mee met het herstel van COVID-19 patiënten
COVID-19 is een virus met primair effecten op het respiratoire systeem. Het is onbekend welke schade blijft na de actieve ziekteperiode en vooral is nog onbekend hoe mensen functioneel herstellen na Covid-19. In de behandeling van ernstig zieke patiënten op de IC zijn de afgelopen jaren grote stappen vooruit gemaakt en een groot deel van die lessen zullen toepasbaar zijn op de COVID-19 patiënten, maar mogelijk gelden bij COVID-19 ook andere, nog onbekende, herstelpatronen. Deze kennis en informatie zit verpakt in miljoenen patiëntendossiers met notities van zorgverleners.
Om die kennis te vergaren ontwikkelt de CLTL-groep van Piek Vossen software die de dossiers kunnen lezen en interpreteren.
Kennis van herstelpatronen bij individuele patiënten is noodzakelijk voor zorgverleners om optimale revalidatieplannen in te kunnen zetten. Een manier om in relatief korte tijd inzicht te krijgen in de herstelpatronen is met behulp van datascience / textmining, technieken uit de wereld van de kunstmatige intelligentie. Binnen Amsterdam UMC wordt hier op een ander gebied al succesvol mee geëxperimenteerd en hebben we op retrospectieve data uit elektronische patiëntendossiers (EPDs) een op textmining gebaseerd predictiemodel ontwikkeld om valincidenten tijdens de klinische opname te kunnen vinden. Nu patiënten met COVID-19 de IC’s overspoelen, willen we in samenwerking met een aantal partners proberen of we op basis van tekst in Elektronische Patiënten Dossiers (EPD’s) het functionele herstel kunnen herkennen en voorspellen en zicht kunnen krijgen op factoren die bijdragen aan het functionele herstel van COVID-19 patiënten tijdens en na ziekenhuisopname, met behulp van text mining technologie en data science. Hierbij wordt gebruik gemaakt van een EPD dataset van VUmc en AMC.
De groep van Piek Vossen gaat classificatiesoftware ontwikkelen die relevante revalidatie-uitkomsten (gebaseerd op de International Classification of Functioning, disability and health (ICF)) aan EPD teksten kan koppelen door deze automatisch te “lezen”. Deze inzichten kunnen de klinische beslissingen tijdens het revalidatietraject ondersteunen.
