Detecting Venous Catheters and Infections through Classification of Norwegian Adverse Event Notes: A Feasibility Study

Abstract

Et perifert venekateter, hovedsaklig brukt for å administrere intravenøs væske, intravenøse medisiner og blodoverføringer, er et av verdens mest brukte utstyr innenfor medisinsk behandling. Til tross for dette er perifere venekatetre knyttet til mange alvorlige komplikasjoner, inkludert livstruende tilstander som blodbaneinfeksjoner og sepsis (blodforgiftning). Denne masteroppgaven er en mulighetsstudie som undersøker potensialet for å bruke fritekst-notater som beskriver uønskede medisinske hendelser til å finne tegn på infeksjoner og bruk av venekatetere. Arbeidet benytter seg av maskinlæring og språkbehandling til å klassifiere notatene. Hovedfokuset med studien er å finne relevante notater som et første steg for å utvikle et overvåkningssystem for å identifisere kateterrelaterte infeksjoner og sepsis i sanntid.

Arbeidet inkluderer omfattende kvalitativt arbeid i samarbeid med helsepersonell. Målet for det kvalitative arbeidet var å forbedre retningslinjer for annotering av notater for uønskede hendelser, fulgt av å annotere en mengde notater til bruk for klassifisering. I tillegg innebærer oppgaven eksperimentelt arbeid, i form av et initielt forslag for en klassifiseringsmodell som klassifiserer notater for uønskede hendelser basert på kategoriene venekateter og infeksjon.

Resultatene viser at modellen er egnet som et utgangspunkt for å identifisere relevante notater for uønskede hendelser, men den er begrenset av høy bias og en lav dekningsgrad (recall). Selve klassifiseringsproblemet er svært komplekst, ettersom det er behov for omfattende klinisk kunnskap for å gjøre antakelser om tilstedeværelsen av et venekateter eller en infeksjon. Modellen burde forbedres for å øke dekningsgraden, slik at den returnerer så mange relevante notater som mulig. Det bør også gjøres en fremtidig vurdering om det er gunstig å forenkle selve klassifiseringsproblemet for å minke bias og forbedre modellens resultater.

A peripheral intravenous catheter, used to administer intravenous fluids, medications, and blood transfusions, is one of the most frequent medical devices used worldwide. However, they are associated with many complications, including life-threatening conditions like bloodstream infections and sepsis. This thesis investigates the feasibility of leveraging unstructured Norwegian adverse event notes to detect the occurrence of venous catheters and infections, employing machine learning and natural language processing classification techniques. The study focuses on detecting relevant notes as a crucial initial step toward developing a real-time monitoring system for catheter-related infections and sepsis.

The work includes extensive qualitative research in collaboration with medical professionals to further revise an annotation guideline for labeling adverse event records, in addition to actually labeling the adverse events and creating a data set for classification. Furthermore, the work includes experimental research, proposing an exploratory approach for classifying the adverse event notes into relevant categories: venous catheter and infection.

The results indicate that while the proposed model is a feasible baseline for identifying relevant adverse event notes, it is affected by high bias and limited recall. The classification problem is challenging due to the comprehensive clinical knowledge needed to make assumptions about the presence of a venous catheter or infection. Ultimately, the model should be improved to achieve a higher recall to identify as many relevant notes as possible. Simplifying the classification problem should be considered to reduce the bias and increase model performance.