Teknologi
Dora Clinical Core: Forskningsvalideret sprogteknologi til klinisk tekst
Dora er en samling af specialiserede NLP-modeller, der finder, klassificerer og strukturerer klinisk information i patientjournaler.
Dora er en samling af specialiserede NLP-modeller, der finder, klassificerer og strukturerer klinisk information i patientjournaler.
Doras modeller er evalueret i kliniske studier med øjensporingsteknologi, brugerstudier med læger og prospektive valideringer.
Dora består af flere modeller, der kan anvendes enkeltvis eller i kombination afhængigt af den kliniske opgave.
Genkender seks typer kliniske entiteter: sygdomme, symptomer/fund, diagnostik, behandling, anatomi og resultater. Prospektivt evalueret på 257 patienter med 15 diagnoser på tværs af køn og alder.
Understøtter MDR- og GDPR-krav ved brug af AI i sundhedsvæsenet. Muliggør løbende kvalitetskontrol af sprogmodeller i drift, dataminimering og de-identifikation.
Identificerer blødningshændelser i journaltekst og kategoriserer dem i 12 anatomiske lokationer. Valideret på 566 indlæggelser og i kliniske brugerstudier med 16 læger.
Klassificerer sætninger for trombose, med yderligere labels for type (VTE, ATE), tidsmæssig kontekst og anatomisk lokation. Implementeret i klinisk drift til trombofilivurdering.
Doras NLP-pipeline behandler klinisk tekst i en række specialiserede trin — fra rå journaltekst til struktureret, klinisk brugbar information.
Journalnotater indlæses som HTML eller ren tekst. Preprocessing fjerner ikke-standardtegn, konverterer HTML-entiteter og normaliserer input.
Encoder klassificerer hver sætning som positiv/negativ for de relevante domæner.
Dora Clinical NER genkender sygdomme, symptomer, behandling, diagnostik, anatomi og resultater med span-baseret klassifikation.
Resultater præsenteres i den originale journaltekst med farvekodede fremhævninger, navigering og filtreringsmuligheder.
Doras modeller er systematisk evalueret for bias på tværs af køn, alder, patientgrupper og kliniske specialer.
Ingen signifikant forskel i performance mellem mænd og kvinder. Hemorrhage-modellen: 93.6% vs. 93.8% sensitivitet. NER-modellen: overlappende konfidensintervaller for alle entitetstyper.
Konsistent performance på tværs af børn, voksne og ældre. Hemorrhage: 93.0% (unge) vs. 94.3% (ældre). NER-modellens F1-score: 0.985–0.996 på tværs af aldersgrupper.
NER-modellen evalueret på 15 diagnoser inden for medicinsk, kirurgisk og psykiatrisk område. Lille men konsistent reduktion på psykiatriske noter (F1: 0.979 vs. 0.995–0.996).
Doras modeller er udviklet og valideret gennem en serie af peer-reviewed studier publiceret i internationale tidsskrifter.
| Studie | Tidsskrift | År | Nøgleresultat |
|---|---|---|---|
|
Dora explores Clinically Relevant Information in EHRs using NER
Laursen, Pedersen, Adelhelm, Lynggaard, Vinholt
|
NoDaLiDa 2025 |
2025 | F1 0.945 — NER på 6 entitetstyper, 257 patienter |
|
Early clinical implementation and evaluation of an NLP-Based AI system for thrombophilia assessment
Alnor, Adelhelm, Pedersen, Faurø, Laursen, Lynggaard, Vinholt
|
Int J Med Inform 2026 |
2025 | 98.8% sens. — Implementeret i klinisk drift |
|
Identification of hematuria with a natural language processing model
Hansen, Lynggaard, Laursen, Lykke, Vinholt
|
Thromb Res 2024 |
2024 | 99% sens. — NLP vs. ICD-10 koder |
|
Doctors Identify Hemorrhage Better during Chart Review when Assisted by AI
Laursen, Pedersen, Hansen, Savarimuthu, Lynggaard, Vinholt
|
Appl Clin Inform 2023 |
2023 | +48pp — Flere fund med AI-assistance |
Dora er bygget på en dansk klinisk sprogmodel og trænet specifikt på journaltekst fra det danske sundhedsvæsen.
Kontakt os for en demo, API-adgang eller samarbejde om klinisk sprogteknologi i jeres organisation.