Skip til primært indhold

Autodok

Fuld titel: Automatic selection and imputation of vital signs in emergency departments.

PROJEKTPERIODE

Start: januar 2020
Slut: december 2022

Når patienter er indlagt akut på hospitalet, bruges der bestemte protokoller, inddelt efter patientens sygdomsgrad, til at observere dem. Disse protokoller bruges for at sikre, at en potentiel forværring af patienternes tilstand identificeres i tide. For at gøre dette anvender afdelingerne på hospitalet avancerede overvågningsapparater til at spore tilstanden for indlagte patienter. Disse apparater er typisk i stand til løbende at spore og rapportere vitale værdier med en meget højere hastighed end dokumenteret i kliniske vidensstyringssystemer, som der tidligere er blevet brugt til dette.

Tidligere forskning har vist, at de fleste patienter ikke overvåges tæt nok, mens en delmængde af patienter overvåges mere end krævet af kliniske protokoller. Sidstnævnte situation, som også gælder for patienter, der løbende overvåges, er dårligt repræsenteret ved spotbaserede registreringer. Den førstnævnte situation komplicerer klinisk vurdering og forudsigelse af sygdommens tilstand.

MÅL

I AutoDok-projektet skulle advarselssystemet til patientforværring (Patient Deterioration Warning System) udvides med funktionalitet til håndtering af klinisk dokumentation for patienter, der var tæt overvåget, og patienter, der manglede overvågning i perioder under deres indlæggelse. Desuden ville AutoDok-projektet undersøge integration med EPJ SYD-systemet via MDIC-platformen (Medical Device Information Collection).

PARTNERE

Projektet var et ph.d.-projekt af Thomas Schmidt og blev udført i samarbejde med Center for Klinisk Kunstig Intelligens (CAI-X).

Partnere på projektet var Fælles Akutmodtagelse på Odense Universitetshospital og Mærsk Mc-Kinney Møller Instituttet på SDU.

EKSTERN FINANSIERING

Projektet var finansieret af Innovationsfonden i Region Syddanmark.

Thomas Schmidt

Thomas Schmidt

Adjunkt

Mærsk Mc-Kinney Møller Instituttet, Syddansk Universitet


24 23 74 34
APPFWU02V