Datadrevet SDM for at reducere symptombyrden i AF

Atrieflimren (AF) er den mest almindelige hjerterytmeforstyrrelse, og næsten 90 % af patienterne oplever symptomer som åndenød, der direkte forringer deres helbredsrelaterede livskvalitet (HRQoL). Kateterablation er en minimalt invasiv, kirurgisk procedure, der rutinemæssigt udføres for at behandle AF og associerede symptomer med det formål at forbedre HRQOL, men som også indebærer potentielt alvorlige risici. Delt beslutningstagning (SDM), hvor behandlingsbeslutninger afstemmes baseret på evidens af høj kvalitet og patientværdier og mål for pleje, er en almindeligt opmuntret praksis til at navigere i komplekse sundhedsbeslutninger som disse. SDM omkring rytme- og symptomhåndtering forekommer dog ikke rutinemæssigt på grund af mangel på detaljeret evidens om symptomforbedring efter ablation, og mangel på beslutningshjælpemidler til at kommunikere evidens til patienterne. Det overordnede mål med denne pris er at skabe en interaktiv patientbeslutningshjælp sammensat af etablerede beviser fra kliniske forsøg sammen med nye "virkelige" beviser om symptomforbedring efter ablation udvundet fra elektroniske sundhedsjournaler (EPJ'er).

Efterforskerne foreslår at bruge "real-world evidens" hentet fra elektroniske sundhedsjournaler (EHR'er) til at karakterisere post-ablationssymptommønstre og vise dem i beslutningshjælpevisualiseringer for at understøtte delt beslutningstagning (SDM). I dette projekt vil efterforskerne først bruge naturlig sprogbehandling (NLP) og maskinlæring (ML) til at udtrække og analysere symptomdata fra narrative noter i EPJ'er. Efterforskerne vil også anvende en stringent, brugercentreret designprotokol, der blev oprettet under Principal Investigators post-doc-arbejde for at udvikle visualiseringer til beslutningshjælp. I det kliniske forsøg vil efterforskerne evaluere gennemførligheden af ​​at implementere disse interaktive beslutningshjælpevisualiseringer i klinisk praksis.