Projekt af Alia Bashir
Sundhedsteknologi, DTU
Venøs tromboemboli (VTE) er en livstruende sygdom. Risikoen for at udvikle VTE er op til 100 gange højere for indlagte patienter end den generelle population. Den største risikofaktor for udvikling af VTE er tidligere VTE, og denne information er derfor nødvendig når det skal besluttes om en patient skal have forebyggende behandling. I dette projekt blev der udviklet machine learning algoritmer til detektering af VTE i den frie tekst i patientjournaler. Følgende 7 algoritmer blev brugt: Naive Bayes, Support Vector Machine (SVM), Decision Tree, Random Forest, K Nearest Neighbor (KNN), Convolutional Neural Network (CNN) og Long Short-Term Memory (LSTM). Modellen med den højeste nøjagtighed var SVM på 92,56 %, og den laveste var KNN på 69,32 %. AI kan dermed potentielt understøtte forbyggende behandling for VTE, med en høj nøjagtighed.