Projektet skal give viden om den bedste anvendelse af mavesyremedicin hos hjertepatienten som tager blodpladehæmmende medicin. Forskning ved hjælp af Text-mining metode.
Medicin der hæmmer blodplader er en essentiel del af behandlingen efter en blodprop i hjertet. Denne medicin øger samtidig risikoen for blødning i bl.a. mave-tarm kanalen. Derfor anbefales i visse tilfælde mavesyremedicin (proton pumpe hæmmere) for at sænke denne blødningsrisiko. Der mangler dog viden om, i hvilke situationer det er en god idé at kombinere disse typer medicin. Dette kompliceres yderligere af, at der er mistanke om, at mavesyremedicin interagerer med blodpladehæmmere, og måske i sig selv øger risikoen for en ny blodprop i hjertet. Læge og ph.d.-studerende, Thomas Sehested, arbejder på et forskningsprojekt, som ved Text-mining af patientjournaler, skal give viden om den bedste anvendelse af mavesyremedicin hos hjertepatienten, og som sigter efter at finde balancen mellem at minimere risikoen for både blødninger og blodpropper i hjertet.
Text-mining af patientjournaler er en ny metode, der er under udvikling. Grundlæggende handler det, om at ekstrahere information ud af elektroniske patientjournaler på en automatiseret, anonymiseret og intelligent måde således, at man kan bruge informationen til at besvare forskningsspørgsmål til gavn for patienterne. Ved denne metode ønsker man at få et mere “finkornet billede” af patienters karakter, og samtidig have så mange informationer tilgængelig, at der vil være mønsterdannelse i de store data. Tidligere har man skulle læse patientjournaler igennem manuelt for at besvare forskningsspørgsmål, hvilket er ressourcetungt og giver en begrænsning i antallet af spørgsmål, man kan få besvaret. For at kunne se de stærkeste sammenhænge, og analysere informationen korrekt vil Thomas bruge metoder, der involverer kunstig intelligens – også kaldet ”machine learning”. Disse værktøjer vurderes til at kunne bidrage med viden til den hjertesyge patient.