QUAKE: Quality control of medical performance with unstructured EMR data

Prosjektnummer: HST1194-14
Ansvarlig person: Robert Jenssen
Institusjon: Universitetssykehuset Nord-Norge HF
Prosjektkategori: flerårig forskningsprosjekt som omfatter flere forskere
Helsekategori: Cancer and neoplasms
Forskningsaktivitet: 4. Detection and Diagnosis, 6. Treatment Evaluation

2021 - sluttrapport

I 2014 ble det etablert en database på Universitetssykehuset Nord-Norge (UNN) for å arbeide med kvalitetsarbeid kalt QUAKE (Quality control of medical performance with unstructured EMR data). Databasen ble etablert med tillatelser fra REK og PVO ved UNN HF og består av data fra elektroniske pasientjournaler (EPJ) for pasienter ved avdeling for gastroenterologisk kirurgi på UNN, samlet inn over en periode fra 2004 til 2014. QUAKE-databasen inneholdt data for tidsperioden 2004-2014 for ca 7800 unike pasienter ved gastrokirurgisk avdeling ved UNN. Totalt inneholdt databasen over 1 000 000 prosedyrekoder, over 1 000 000 diagnosekoder (ICD-10), ca 1 600 000 blodprøvesvar, ca 814 000 ulike typer av journalnotater, ca 60 000 radiologiundersøkelser og 500 000 patologirapporter. I tillegg inneholdt databasen dato for reinnleggelse og eventuell død. Det var kun dokumenter fra somatikk med i dette uttrekket. QUAKE-prosjektet ledet til et unikt tverrfaglig samarbeid mellom medisinere, teknologer, informatikere og statistikere. Databasen ble brukt i kvalitetssikringsøyemed hvor et gjennomgående fokus har vært å identifisere og predikere komplikasjoner og uønskede hendelser ved kirurgi. QUAKE har vært basis for to PhD grader og, - over 25 internasjonale fagfellevurderte publikasjoner i topprangerte tidsskrifter (eksempelvis IEEE Journal of Biomedical and Health Informatics og Nature Scientific Reports, m.m.). Vi har vunnet internasjonale premier for kvalitetsarbeid i feltet . Forskningsresultatene i prosjektet har derved ligget i front internasjonalt (se referanseliste). Oppsummeringen av QUAKE-prosjektet er at det primære hovedmålet med prosjektet har blitt innfridd langt utover de opprinnelige forventninger og mål. QUAKE-prosjektet har vært basert på et usedvanlig fruktbart tverrfaglig samarbeid over institusjonsgrenser. Den tverrfaglige gruppen med basis i UNN og UiT, inkludert flere internasjonale samarbeidspartnere, har produsert nyskapende kunnskap som er blitt publisert i solide vitenskapelige tidsskrifter og, -har dannet fundamentet for det første norske senteret for pasientrettet bruk av kunstig intelligens - Senter for pasientnær kunstig intelligens, SPKI, https://www.spki.no, som er en nyskapning for forskning, innovasjon og annen pasientrettet bruk av kunstig intelligens etablert i samarbeid mellom UNN HF, UiT og Helse Nord RHF i 2021. Dette senteret er et resultat av den tverrfaglige forskningen som har kunnet realiseres som følge av etableringen av QUAKE. Videre, er satsning på utvikling av KI-verktøy for prediksjon av postoperative komplikasjoner, senskader etter kreftbehandling og andre uønskede hendelser et prioritert satsningsområde i Helse Nords vedtatte strategi for kunstig intelligens for perioden 2022-2025, https://www.spki.no/publicity/strategy-for-ai. QUAKE-prosjektet har vært et pionerprosjekt i så måte, og har vært med å bidra til at man i Helse Nord er tidlig ute med satsning på implementering av kunstig intelligens i helsetjenesten.

Beskriv samarbeidet med brukerrepresentanten(e) det siste året

Ikke relevant.

2020

Beskriv samarbeidet med brukerrepresentanten(e) det siste året

Ikke relevant.

2019

Quality Control of Surgical Performance with Unstructured EPJ DataQUAKE-prosjektet har ledet til en database bestående av data fra elektroniske pasientjournaler (EPJ) ved Avdeling for Gastroenterologisk Kirugi ved UNN, samlet inn over en 12-års periode. Denne databasen brukes til forskning i dette prosjektet.QUAKE-prosjektet har ledet til følgende publikasjoner i 2019: 1. Bianchi FM, Livi L, Mikalsen KØ, Kampffmeyer M, Jenssen R, Learning representations of multivariate time series with missing data, Pattern Recognition 96, 106973 2. Mikalsen KØ, Soguero-Ruiz C, Bianchi FM, and Jenssen R, Noisy multi-label semi-supervised dimensionality reduction, Pattern Recognition 90, 257-270 3. Mikalsen KØ, Soguero-Ruiz C, Mora-Jimenez I, Fando ICL, and Jenssen R, Using multi-anchors to identify patients suffering from multimorbidities. In 2018 IEEE International Conference on Bioinformatics and Biomedicine (BIBM) (pp. 1514-1521). IEEE. 4. Kocbek P, Fijacko N, Soguero-Ruiz C, Mikalsen, KØ, Maver U, Povalej Brzan P, Stozer A, Jenssen R, Skrøvseth SO, and Stiglic G, Maximizing Interpretability and Cost-Effectiveness of Surgical Site Infection (SSI) Predictive Models Using Feature-Specific Regularized Logistic Regression on Preoperative Temporal Data, Computational and mathematical methods in medicine. Under review: 5. Mikalsen KØ, Soguero-Ruiz C, Bianchi FM, and Jenssen R, Time series cluster kernels to exploit informative missingness and incomplete label information, Pattern Recognition. Referanse 1, 4 og 5 er en fortsettelse på vår forholdsvis lange rekke av arbeider som går ut på å utvikle metoder for å effektivt trekke ut informasjon fra tidsrekker av EPJ-data, som for eksempel blodprøvesvar, for dernest å kunne detektere eller predikere uønskede postoperative hendelser som for eksempel komplikasjoner. I referanse 3 har Mikalsens Anchor-metode som kan brukes til å predikere postoperativ delirium basert på fritekst blitt videreutviklet til kunne håndtere elektronisk phenotyping av pasienter med multi-morbiditeter. Referanse 2 er relatert til referanse 3, men er litt mer teoretisk. Mer konkret utvikler vi en metode for å effektivt kunne anvende maskinlæring for pasienter med multimorbiditeter. I tillegg til publikasjonene har det også vært jobbet med å videreutvikle QUAKE-databasen i 2019 og vi har deltatt på nasjonale e-helsekonferanser. Blandt annet har Jenssen vært invitert foredragsholder til Helsedepartementet, Normkonferansen i Oslo, HEMIT-konferansen i Trondheim og konferansen Kunstig intelligens i helsetjenesten i Bodø. Arbeidet vårt har også ledet til en internasjonal pris og fått oppmerksomhet i media for dette (https://www.cw.no/artikkel/it-helse/finner-risikopasienter). Videre har Mikalsen fullført og forsvart sin doktorgrad med tittelen "Advancing Unsupervised and Weakly Supervised Learning with Emphasis on Data-Driven Healthcare" dette året. Denne avhandlingen bygger i stor grad på data fra QUAKE-prosjektet.

Beskriv samarbeidet med brukerrepresentanten(e) det siste året

Ikke relevant.

2018

Quality Control of Surgical Performance with Unstructured EPJ Data (QUAKE Databasen)Elektroniske pasientjournaler (EPJ) brukes primært for å sikre kvaliteten på pasientbehandling og informasjonsutveksling. EPJ inneholder imidlertid mye informasjon som kan utnyttes i sekundær bruk, f eks til forskning. QUAKE-prosjektet har ledet til en database bestående av data fra Avd. for Gastroenterologisk Kirugi ved UNN over en 12-års periode.Jfr. vår rapportering i fjor har QUAKE-prosjektet i 2018 gjennomgått en endring. Vår endringssøknad har blitt godkjent og følgende endringer er innvilget: 1. Prosjektet endres fra ph.d.-stipend til flerårig forskningsprosjekt som omfatter flere forskere. 2. Gjenværende midler i prosjektet kan brukes til å tilsette Karl Øyvind Mikalsen i prosjektet, arrangere en konferanse, samt driftsmidler. 3. Robert Jenssen overtar prosjektlederansvaret. Karl Øyvind Mikalsen tilsettes fom. februar 2019 i en to og ett halvt årig forskerstilling og QUAKE-prosjektet er forlenget ut 2021. Selv om prosjektet har gjennomgått endringer og ingen har vært tilsatt i prosjektet i 2018, har allikevel data fra QUAKE-databasen blitt utnyttet i en rekke publikasjoner. Se følgende. 1. Strauman AS, Bianchi FM, Mikalsen KØ, Kampffmeyer M, Soguero-Ruiz C and Jenssen R, Classification of postoperative surgical site infections from blood measurements with missing data using recurrent neural networks, 2018 IEEE EMBS International Conference on Biomedical & Health Informatics. 2. Hansen MA, Mikalsen KØ, Kampffmeyer M, Soguero-Ruiz C and Jenssen R, Towards deep anchor learning, 2018 IEEE EMBS International Conference on Biomedical & Health Informatics. 3. Bianchi, FM, Mikalsen, KØ and Jenssen R, Learning compressed representations of blood samples time series with missing data, European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning, 2018. 4. Myhre JN, Mikalsen KØ, Løkse S and Jenssen R, Robust clustering using a kNN mode seeking ensemble, Pattern Recognition 76, 491-505, 2018. Under review: 5. Mikalsen KØ, Soguero-Ruiz C, Bianchi FM, and Jenssen R, Time series cluster kernels to exploit informative missingness and incomplete label information, Pattern Recognition. 6. Bianchi FM, Livi L, Mikalsen KØ, Kampffmeyer M, Jenssen R, Learning representations for multivariate time series with missing data using Temporal Kernelized Autoencoders, Pattern Recognition. I brorparten av arbeidene nevnt over (referanse 1, 3, 5, 6) har det blitt studert metoder for å effektivt trekke ut informasjon fra tidsrekker av EPJ-data, som for eksempel blodprøvesvar, for å kunne detektere eller predikere uønskede postoperative hendelser som for eksempel komplikasjoner. I referanse 2 har Mikalsens metode som kan brukes til å predikere postoperativ delirium basert på fritekst blitt videreutviklet og forbedret.

Beskriv samarbeidet med brukerrepresentanten(e) det siste året

Ikke relevant.

2017

Quality Control of Surgical Performance with Unstructured EPJ Data (QUAKE Databasen)Elektronisk pasientjournal (EPJ) har tradisjonellt sett blitt brukt til informasjonsutveksling og for å sikre kvaliteten på pasientbehandlingen. EPJ representerer imidlertid en ubrukt kilde til forskning. Vi har etablert QUAKE databasen, som reprenterer allt av EPJ data som har blitt produsert ved en kirugisk avdeling over en 10 års periode.Prosjeketet er nå inne i sitt 4 de forskningsår. Vi har brukt mye resurrser for å etablere forskningsdatabasen QUAKE, der helse Nord IKT var en sentral samarbeidspartner. Gjennom samarbeid med Helse Nord IKT foretok vi vi datauttrekk fra en sentral server (jfr tillatelser fra REK og PVO) av allt av data som var produsert ved Avdeling for Gastroenterologisk Kirugi ved UNN. Sentralt i arbeidet med å etablere QUAKE var Augestad, Hindberg, Skrøvseth og Lindsetmo. Arbeidet var meget tidkrevende, men grunnlaget som vi da etablerte, la grunnlaget for et tverrfaglig samarbeid mellom kirurger, informatikere og statistikere. QUAKE databasen blitt utforsket i flere publikasjoner og dannet grunnlaget for et meget fruktbart tverrfaglig samarbeid over institusjonsgrenser. Se følgende: 1. Skrøvseth SO, Augestad KM, Ebadollahi S. Data-driven approach for assessing utility of medical tests using electronic medical records. Journal of Biomedical Informatics. 2014 Dec 4. 2. Soguero-Ruiz C, Hindberg K, Mora-Jiménez I, Rojo-Álvarez JL, Skrøvseth SO, Godtliebsen F, Mortensen K, Revhaug A, Lindsetmo RO, Augestad KM, Jenssen R. Predicting colorectal surgical complications using heterogeneous clinical data and kernel methods. Journal Biomedical Informatics. 2016 Jun;61:87-96. 3. Cristina Soguero-Ruiz, Kristian Hindberg, Jose Luis Rojo-Alvarez, Stein Olav Skrovseth, Fred Godtliebsen, Kim Mortensen, Arthur Revhaug, Rolv-Ole Lindsetmo, Inma Mora-Jimenez, Knut Magne Augestad, Robert Jenssen. Support Vector Feature Selection For Early Detection of Anastomosis Leakage From Bag of Words in Electronic Health Record. IEEE J Biomed Health Inform. 2016 Sep;20(5):1404-15. 4. Jensen K, Soguero-Ruiz C, Oyvind Mikalsen K, Lindsetmo RO, Kouskoumvekaki I, Girolami M, Olav Skrovseth S, Augestad KM. Analysis of free text in electronic health records for identification of cancer patient trajectories. Nature Scientific Reports. 2017 Apr 7;7:46226. 5. Mikalsen KØ, Soguero-Ruiz C, Jensen K, Hindberg K, Gran M, Revhaug A, Lindsetmo RO, Skrøvseth SO, Godtliebsen F, Jenssen R.Using anchors from free text in electronic health records to diagnose postoperative delirium.Comput Methods Programs Biomed. 2017 Dec;152:105-114. . 6. Soguero-Ruiz C, Fei WM, Jenssen R, Augestad KM, Álvarez JL, Jiménez IM, Lindsetmo RO, Skrøvseth SO.Data-driven Temporal Prediction of Surgical Site Infection. AMIA Annu Symp Proc. 2015 Nov 5;2015:1164-73. i 2017 har vi hovedsaklig arbeidet med Kasper Jensen sitt prosjeket, der fritekst fra QUAKE databasen ble brukt til å predikere pasientforløp for gastrokirugiske kreftpasienter. Jensen utviklet en innovativ metode for fritekstanalyse (sematisk analyse), der triggerord i fritekst har blitt brukt til å følge kreftpasienters forløp i den preoperative, operative og postoperative periode. Videre mener vi at man på grunnlagt av fritekstanalyse, kan predikere uønskede hendelser i det postoperative forløp. Dette arbeidet medførte en publikasjon i Nature Scientific Reports ( referanse 4 over). I tilegg har Robert Jensens gruppe utført et innovativt arbeid (Mikalsen et al) der man har etblert en metode som kan brukes til å predikere postoperativ delir (referanse 5). Deseverre har en av våre dyktige PhD kandidater takket ja til en klinisk stilling ved et annet sykehus i Oslo, og vi holder derfor på å utarbeide en endringsøknad i prosjektet, der intensjonen er å fortsette arbeidet jfr protokoll i Robert Jenssens gruppe

2016

EPJ data for identifisering og analyse av uønskede hendelser i klinisk virksomhetEPJ data represneter en stor og ubrukt forskningskilde. Alle pasienter som blir innlagt på sykehus registreres i elektronisk pasientjournal i form av innleggelsesjournal, legenotat, sykepleier notat, operasjonsbeskrivelser, blodprøver, radiologiske undersøkelser, patologi mm registrert. Denne databsaen skal brukes til forskningsspørsmålUNN har hatt elektronisk pasientjournal i ca 10 år, denne datakilden representere et stort potensial mtp medisinsk forskning. Hovedproblemet med EPJ dataene er imidlertid varierende kodepraksis og validitet, sammenlignet med registerdata. Formål med forskningsprosjektet vil være: 1) Å utvikle/bruke statistiske metoder og "natural language processing" for å identifisere kohorter med kirurgiske pasienter 2) Å kvalitetskontrollere kirurgisk virksomhet. Vi vet at 10-20 prosent av alle pasienter som gjennomgår elektiv kirurgi vil utvikle en komplikasjon.Vi ønsker å fokusere på komplikasjoner og uønskede hendelser ved kirurgi (reoperasjoner, sårinfeksjoner, anastomoselekkasjer, dyp venetrombose, pneumoni, lungeemboli, mm). Hovedmålsettingen er å identifisere pasienter med høy risiko for en uønsket hendelser (basert på mønstergjennkjenning og andre statistiske metoder). Alle genererte pasientdata (ICD 10 koder, NCSP koder, fritekst, blodprøver, røntgensvar) ønskes brukt i prosjektet. I 2016 har vi hatt følgende milepæler i prosjeketet Vi har fortsatt EPJ datavaskingen og videreutviklet databasen. På grunnlag av kommunenummer har vi identifisert alle pasienter som har vært innlagt på UNN i en 10 års periode. ved alle disse innleggelsenen har vi data fra alle "kontaktpunkter" innad på sykehuset. Dette arbeidet har vært særdeles tidkrevende men vi mener nå at vi har utviklet en database som vi mener kan brukes i forskningsøyemed. Olav Liavåg har fortsatt dette arbeidet, samtidig som han har kurset seg videre mtp å få nok kurs til doktorgrad. Ila året har vi hatt flere møter med Dr Conor Delaney ved Digestive Disease Institute Cleveland Clinic. CC har flere prosjketer med likhetstrekk med vårt eget (sekundærbruk av EPJ data mtp kvalitetssikring) og vi har nå en stående invitasjon til Olav Liavåg mtp forskningsopphold ved CC fra sommeren 2017. I prosjketet planlegger vi følgende publikasjoner: 1) deskriptiv studie mtp sekundærbruk av EPJ data ifm kvalitetssikring av kirugisk arbeid 2) Reinnleggelser ifm åpen og laparaskopisk CRC kirurgi. En propensity studie. 3) Utvikling av et klassifiseringssystem for reinnleggelser. Vi har desverre ikke fått ferdigsskrevet noen publikasjoner i 2016.

2015

QUAKE. Quality Control of Medical Performance Using Unstructured EMR DataI dette prosjektet tar vi utgangspunkt i EMR data som er produsert ved en kirurgisk avdeling ila en 10 års periode. Dataene har både en strukturert og en mer ustrukturert form (fritekst). Vha tradisjonelle statistiske metoder kombinert med mønster gjennkjenningsmetoder (machine learning) ønsker vi å kvalitetssikre kirurgisk virksomhet.Mesteparten av arbeidsinnsatsen i 2015 har blitt brukt til å utvikle en database vha uttrekk fra EMR data. Målsettingen med databasen er å identifisere pasienter som vi kan følge 100% mtp sykehusinnleggelser over en lengre periode. Vi har identifisert en kohorte på ca 6000 pasienter som vi kan følge opp 10 år etter det kirurgiske inngrepet. Statistiker Kristian Hindberg har vært sentral i datauttrekket og databearbeidelse, da dataene ble overført i et ustrukturert format. Data består av fritekst, ICD 10/NCPC/NCMP koder/demgrafiske data/innleggelelses data/ blodprøver med mere. Disse dataene har nå blitt strukturert og klargjort for videre statistiske analyser (ved Liavåg). Vi har kategorisert alle komplikasjoner (reoperasjoner, overflytting til intensiv, respiratorbehandling, blødning med mere) under primærinnleggelse og reinnleggelser. Vi har en mer eller mindre komplett oversikt over alle sykehusinnleggelser i denne perioden og hva som skjedde under hver sykehusinnleggelse. Målsettingen er å fokusere på årsaker til reinnleggelser og lage et klassifiseringssystem for reinnleggelser. Vi ønsker også å lage en oversikt over resurrsforbruk ved reinleggelser og identifisere fokusområder for å redusere reinnleggelser. Sekundært ønsker vi å identifisere de viktigste komplikasjoner (kort og langtids) etter gastrointestinal kirurgi, og identifisere eventuelle insattsområder for å redusere komplkasjoner. Olav Liavåg er ansatt i prosjeketet i 50% stilling. Liavåg arbeider nå med å lage en komplett oversikt over kirugiske komplikasjoners epidemiologi i en gastrokirugisk "normalpopulasjon", såvidt vi vet er dette ikke gjort tidligere.

2014

Quality Control of Medical Performance with Unstructured EMR Data (QUAKE)I QUAKE prosjektet vil vi bruke data som er generert i den elektroniske pasientjournal til forskning og kvalitetssikrings formål. Vi har ila av de 3 siste årene etablert en database basert på Gastrokirurgiske EPJ data generert fra 2004 frem til dd. Vi vil ta i bruk tradisjonelle statistiske metoder i kombinasjon med innovative statistiske metoderEtablering av database basert på EPJ data: Dette arbeidet har foregått i nært samarbeid med Helse Nord IKT og har vært til dels svært tid og resurskrevende. Datasettet er knyttet til alle pasienter ved Gastrokirurgisk avdeling ved UNN i perioden 2004 til utgangen av 2012. For alle pasientene består datasettet av de fem datasiloene: 1) Blodprøvesvar, 2) Radiologi, 3) ICD 10- og NCSP-koder, 4) Fritekst i journalnotater, 5) Histologi/patologi (Sympathy-data) 6) Operasjonsmeldinger. Den store datamengden er en styrke, men også en utfordring. Feks har vi 1,5 millioner blodprøvesvar og over 1,8 millioner ulike journalnotater. Journalnotatene tilhører flere hundre svært ulike dokumentkategorier med ulik grad av struktur i dokumentene. ICD 10- og NCSP-kodene utgjør et datasett på flere hundre tusen koder. Disse siloene vil i ulik grad være ustrukturert, der friteksten i journalnotatene er tilnærmet fullstendig ustrukturert, mens blodprøvesvar er fullstrukturert. De siste delene av databasen kom på plass høsten 2014. Etablering av sub database langtidsoppfølging: Postdoc Kristian Hindberg har ila av det siste året etablert en sub-database av pasienter som vi kan følge opp i opptil 6 år etter elektiv kirurgisk behandling. Databasen består kun av pasienter hjemmehørende I Troms fylke (n=7700), og danner et komplett bilde av en kohort med pasienter som man har mulighet til å følge opp mtp ressursforbruk (reinnleggelser, komplikasjoner) i opptil 6 år etter elektiv kirurgi. Workshops: I August arrangerte vi et workshop i data driven analytics og var så heldige å kunne invitere flere gjester fra utlandet. Konferanser I Oktober deltok vi (Liavåg, Gran, Augestad) på American College of Surgeons Annual Conference med en poster: ”Long Term Readmissions and Complications in Open and Laparascopic Surgery. A Propensity Scored Matched Analyses”. Stein Olav Skrøvseth deltok på American Medical Informatics Associations Annual Symposium med bade muntlig fremlegg og konferansepaper innen visual analytics (readmissions). Videre deltok vi i programkommiteen på Pattern Recognition and Healthcare Analytics Stockholm 2015. Ansettelser Ila av sommeren lyste vi ut en stilling med 50% forskning-50% klinisk virksomhet. Vi fikk 25 meget sterke søkere. Olav Liavåg ble ansatt i prosjektet fra 1/9-2014 og 5 år fremover. Temaene Liavåg skal arbeide med er: 1) Epidemiology of Adverse Events After Elective General Surgery. Her tar vi tak i det datasettet som Kristian Hindberg har etablert (kohort med 6 års oppfølging etter elektiv kirurgi). 2) Klassifisering av reinnleggelser etter kirurgi. Det foreligger svært lite litteratur og data på hva langtidseffektene av elektiv kirurgi er på reinnleggelser, komplikasjoner og ressursforbruk i helsevesenet. I denne delen av prosjektet skal vi arbeide med å utarbeide et klassifiseringssystem av reinnleggelser. Eks: 30 dagers vs. lang tids. Øyeblikkelig hjelp vs planlagt. Reinnleggelser som kan forhindres. Kronikere vs ikke kronikere. Tilbakefall av kreft. Ect ect Denne delen av arbeidet vil foregå i samarbeid med Dr Delaneys gruppe i Cleveland. 3) Visualisering av pasientstrømmer/adverse events etter kirurgi. Vil foregå i samarbeid med Stein Olav Skrøvseth og Kasper Jensen (ny postdoc i datadriven analytics gruppa). Vi tenker oss her at man kan bruke dataverktøy for å visualisere tid til død, overflytting til intensiv, reinnleggelser mm.

Vitenskapelige artikler

Wickstrom KK, OyvindMikalsen K, Kampffmeyer M, Revhaug A, Jenssen R

Uncertainty-Aware Deep Ensembles for Reliable and Explainable Predictions of Clinical Time Series.

IEEE J Biomed Health Inform 2020 Dec 07;PP(). Epub 2020 des 7

PMID: 33284756

Kocbek P, Fijacko N, Soguero-Ruiz C, Mikalsen KØ, Maver U, Povalej Brzan P, Stozer A, Jenssen R, Skrøvseth SO, Stiglic G

Maximizing Interpretability and Cost-Effectiveness of Surgical Site Infection (SSI) Predictive Models Using Feature-Specific Regularized Logistic Regression on Preoperative Temporal Data.

Comput Math Methods Med 2019;2019():2059851. Epub 2019 feb 19

PMID: 30915154

Mikalsen KØ, Soguero-Ruiz C, Jensen K, Hindberg K, Gran M, Revhaug A, Lindsetmo RO, Skrøvseth SO, Godtliebsen F, Jenssen R

Using anchors from free text in electronic health records to diagnose postoperative delirium.

Comput Methods Programs Biomed 2017 Dec;152():105-114. Epub 2017 sep 19

PMID: 29054250

Jensen K, Soguero-Ruiz C, Oyvind Mikalsen K, Lindsetmo RO, Kouskoumvekaki I, Girolami M, Olav Skrovseth S, Augestad KM

Analysis of free text in electronic health records for identification of cancer patient trajectories.

Sci Rep 2017 04 07;7():46226. Epub 2017 apr 7

PMID: 28387314

Skrøvseth SO, Augestad KM, Ebadollahi S

Data-driven approach for assessing utility of medical tests using electronic medical records.

J Biomed Inform 2015 Feb;53():270-6. Epub 2014 des 4

PMID: 25481626

Soguero-Ruiz Cristina, Hindberg Kristian, Rojo-Alvarez Jose, Skrovseth Stein Olav, Godtliebsen Fred, Mortensen Kim, Revhaug Arthur, Lindsetmo Rolv-Ole, Augestad Knut Magne, Jenssen Robert

Support Vector Feature Selection for Early Detection of Anastomosis Leakage from Bag-of-Words in Electronic Health Records.

IEEE J Biomed Health Inform 2014 Oct 8. Epub 2014 okt 8

PMID: 25312965

Mikalsen KØ, Soguero-Ruiz C, Jenssen R

A Kernel to Exploit Informative Missingness in Multivariate Time Series from EHRs

Explainable AI in Healthcare and Medicine, Studies in Computational Intelligence, 2020

Bianchi FM, Livi L, Mikalsen KØ, Kampffmeyer M, Jenssen R

Learning representations of multivariate time series with missing data

Pattern Recognition 96, 106973, 2019

Mikalsen KØ, Soguero-Ruiz C, Bianchi FM, and Jenssen R

Noisy multi-label semi-supervised dimensionality reduction

Pattern Recognition 90, 257-270, 2019

Mikalsen KØ, Soguero-Ruiz C, Mora-Jimenez I, Fando ICL, and Jenssen R

Using multi-anchors to identify patients suffering from multimorbidities

2018 IEEE International Conference on Bioinformatics and Biomedicine (BIBM) (pp. 1514-1521), 2018

Strauman AS, Bianchi FM, Mikalsen KØ, Kampffmeyer M, Soguero-Ruiz C, Jenssen R

Classification of postoperative surgical site infections from blood measurements with missing data using recurrent neural networks

IEEE EMBS International Conference on Biomedical & Health Informatics, 2018

Hansen MA, Mikalsen KØ, Kampffmeyer M, Soguero-Ruiz C and Jenssen R

Towards deep anchor learning

IEEE EMBS International Conference on Biomedical & Health Informatics, 2018

Bianchi FM, Mikalsen KØ and Jenssen R

Learning compressed representations of blood samples time series with missing data

European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning, 2018

Myhre JN, Mikalsen KØ, Løkse S and Jenssen R

Robust clustering using a kNN mode seeking ensemble

Pattern Recognition 76, 491-505, 2018

Jenssen K, Augestad KM, Lindsetmo RO, Skrøvseth SO

From unstructured EHR text to data-driven clinical decision support.

International Journal of Integrated Care 2015 ;Volum 15.2015

Skrøvseth, Stein Olav; Augestad, Knut Magne; Ebadollahi, Shahram.

Data-driven approach for assessing utility of medical tests using electronic medical records

Journal of Biomedical Informatics 2015 ;Volum 53. s. 270-276

Soguero-Ruiz, Cristina; Wang, Fei; Jenssen, Robert; Augestad, Knut Magne; Álvarez, JL; Jiménez, Inmaculada Mora; Lindsetmo, Rolv-Ole; Skrøvseth, Stein Olav.

Data-driven Temporal Prediction of Surgical Site Infection

AMIA Annual Symposium Proceedings 2015

Knut Magne Augestad; Stein Olav Skrøvseth, MSc, PhD; Arthur Revhaug; Mortensen Kim; Kristian Hindberg, PhD; Fred Godtliebsen, PhD; Benjamin P. Crawshaw, MD; Rolv-Ole Lindsetmo; Conor P. Delaney, MBBCh PhD FACS

Long-term Readmissions and Complications in Open and Laparoscopic Colorectal Cancer Surgery. A Propensity Score Matched Analysis

Journal of American College of Surgeons, October 2014Volume 219, Issue 4, Supplement, Page e146

Doktorgrader

Karl Øyvind Mikalsen

Advancing Unsupervised and Weakly Supervised Learning with Emphasis on Data-Driven Healthcare

Disputert:: februar 2019
Hovedveileder:: Robert Jenssen

Deltagere

Jonas Nordhaug Myhre Prosjektdeltaker
Michael C. Kampffmeyer Prosjektdeltaker
Rolv-Ole Lindsetmo Prosjektleder
Robert Jenssen Prosjektdeltaker
Karl Øyvind Mikalsen Prosjektdeltaker
Knut Magne Augestad Prosjektdeltaker
Stein Olav Skrøvseth Prosjektdeltaker
Arthur Revhaug Prosjektdeltaker
Olav Magnus Ivar Liavåg Doktorgradsstipendiat
Kim Erlend Mortensen Prosjektdeltaker
Fred Godtliebsen Prosjektdeltaker
Kristian Hindberg Prosjektdeltaker

eRapport er utarbeidet av Sølvi Lerfald og Reidar Thorstensen, Regionalt kompetansesenter for klinisk forskning, Helse Vest RHF, og videreutvikles av de fire RHF-ene i fellesskap, med støtte fra Helse Vest IKT

Alle henvendelser rettes til eRapport, Helse Nord

Personvern - Informasjonskapsler