Datadrevet SDM for å redusere symptombyrden i AF

Atrieflimmer (AF) er den vanligste hjerterytmeforstyrrelsen, og nesten 90 % av pasientene opplever symptomer som kortpustethet som direkte svekker deres helserelaterte livskvalitet (HRQoL). Kateterablasjon er en minimalt invasiv, kirurgisk prosedyre som rutinemessig utføres for å behandle AF og tilhørende symptomer med mål om å forbedre HRQOL, men medfører også potensielt alvorlige risikoer. Delt beslutningstaking (SDM), der behandlingsbeslutninger er på linje basert på høykvalitets bevis og pasientverdier og mål for omsorg, er en mye oppmuntret praksis for å navigere i komplekse helsebeslutninger som disse. SDM rundt rytme- og symptombehandling forekommer imidlertid ikke rutinemessig på grunn av mangel på detaljerte bevis om symptomforbedring etter ablasjon, og mangel på beslutningshjelpemidler for å kommunisere bevis til pasienter. Det overordnede målet med denne prisen er å lage en interaktiv pasientbeslutningshjelp sammensatt av etablert bevis fra kliniske studier sammen med nye "virkelige" bevis om symptomforbedring etter ablasjon hentet fra elektroniske helsejournaler (EPJ).

Etterforskerne foreslår å bruke "reelle bevis" hentet fra elektroniske helsejournaler (EHR) for å karakterisere symptommønstre etter ablasjon, og vise dem i visualiseringer for beslutningshjelp for å støtte delt beslutningstaking (SDM). I dette prosjektet vil etterforskerne først bruke naturlig språkbehandling (NLP) og maskinlæring (ML) for å trekke ut og analysere symptomdata fra narrative notater i EPJer. Etterforskerne vil også bruke en streng, brukersentrert designprotokoll opprettet under hovedetterforskerens postdoktorale arbeid for å utvikle visualiseringer for beslutningshjelp. I den kliniske studien vil etterforskerne evaluere muligheten for å implementere disse interaktive beslutningshjelpevisualiseringene i klinisk praksis.