Tekstinlouhinta hoitoon liittyvän keuhkokuumeen oireiden tunnistamisessa hoitotyön kirjauksista
Poikajärvi, Krista (2024-02-20)
Tekstinlouhinta hoitoon liittyvän keuhkokuumeen oireiden tunnistamisessa hoitotyön kirjauksista
Poikajärvi, Krista
(20.02.2024)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
suljettu
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe2024031311117
https://urn.fi/URN:NBN:fi-fe2024031311117
Tiivistelmä
Keuhkokuume on yleisin tehohoidettavilla potilailla esiintyvistä hoitoon liittyvistä infektioista.
Hoitoon liittyvä keuhkokuume voi aiheuttaa potilaalle vakavia, jopa terveyttä uhkaavia oireita ja sen
on todettu pidentävän potilaan tehohoidon kestoa, sairaalahoitojakson pituutta sekä lisäävän
potilaskuolleisuutta väestötasolla. Hoitoon liittyvän keuhkokuumeen varhainen tunnistaminen potilaan
hoidossa on sairauden ehkäisyn ja oikea-aikaisen hoidon aloittamisen näkökulmasta merkityksellistä.
Tehohoitotyön kirjauksiin kohdistuva tekstinlouhinnan hyödyntämisen kansainvälinen tutkimus on
vähäistä. Tutkimuksen tarkoituksena oli kuvata, miten hoitotyön narratiivisista kirjauksista
tekstinlouhinnan avulla poimitut ilmaisut vastaavat keuhkokuumeelle tyypillisiä kliinisiä oireita.
Tavoitteena oli arvioida, voidaanko tekstinlouhintaa hyödyntää hoitoon liittyvien keuhkokuumeiden
tunnistamisessa.
Tämän tutkimuksen aineisto oli kerätty osana laajempaa tutkimushanketta. Tutkimuksessa analysoitiin
2036 hoitotyön vapaan tekstin kirjausosioihin kirjattua keuhkoinfektioiden oireita kuvaavaa
tekstikatkelmaa. Aineisto luokiteltiin kahden luokittelun viitekehyksen mukaisesti keuhkoinfektiota
ennustaviin ja todennäköistä keuhkokuumetta kuvaaviin luokkiin. Luokittelu perustui keuhkokuumeen
kliinisten oireiden pohjalta muodostettuun analyysirunkoon. Aineistoa tarkasteltiin laadullisesti sekä
määrällisesti kvantifioimalla.
Hoitotyön kirjauksissa keuhkokuumeen kliinisistä oireista eniten kuvattiin liman erityksen oireita,
kuten limaeritteen väriä, koostumusta ja määrää. Myös märkäisiä ysköseritteitä ja yskää
keuhkokuumeen oireina kuvattiin paljon. Tekstinlouhinta tunnisti keuhkokuumeen tyypillisistä oireista
etenkin liman eritystä kuvaavat ilmaisut hyvin. Tekstinlouhinta kuitenkin tunnisti keuhkokuumeen
kliinisistä oireista erityisesti hengitykseen liittyvät oireet heikosti. Tekstinlouhinnan algoritmia on
syytä edelleen kehittää, jotta keuhkokuumeen oireet tulevat kattavasti tunnistetuiksi hoitotyön vapaan
tekstin kirjauksista. Hoitotyön vapaan tekstin kirjauksia voidaan tekstinlouhinnan avulla hyödyntää
hoitoon liittyvän keuhkokuumeen tunnistamisessa. Lisäksi keuhkokuumeen kliinisiä oireita on
mahdollista hyödyntää keuhkokuumeen diagnostisen tunnistamisen apuna hoitotyössä. Pneumonia is the most common healthcare-associated infection in patients receiving intensive care.
For the patient, healthcare-associated pneumonia can cause severe, even life-threatening symptoms
and it can prolong the duration of intensive care and the length of hospitalization, and increase patient
mortality. Early identification of healthcare-associated pneumonia in patient care is significant from
the perspective of disease prevention and treatment. International research on the use of text mining
for intensive care nursing documentation is limited. The purpose of this study was to describe how
expressions extracted through text mining from narrative nursing notes correspond to clinical
symptoms of pneumonia. The goal was to assess whether text mining can be utilized in the
identification of healthcare-associated pneumonia.
The data for this study were collected as a part of a larger research project. The study analyzed 2,036
text extracts describing symptoms of respiratory infections recorded in the narrative nursing notes. The
data were classified into two categories based on two classification frameworks: those predicting
respiratory infections and those describing probable pneumonia. The classification was based on an
analysis framework formed from the clinical symptoms of pneumonia. The data were examined
qualitatively and quantitatively.
In nursing notes, the clinical symptoms of pneumonia were most frequently described as symptoms
related to mucus production, such as color, consistency, and quantity of mucus discharge. Symptoms
such as purulent sputum and cough as indicative symptoms of pneumonia were also extensively
described. Text mining identified expressions related to mucus production particularly well. However,
the algorithm for text mining identified respiratory symptoms poorly. Further development of the text
mining algorithm is necessary to comprehensively identify pneumonia symptoms from narrative
nursing documentation. Nursing documentation can be effectively utilized through text mining in the
identification of healthcare-associated pneumonia. Additionally, clinical symptoms of pneumonia can
be used as aids in the diagnostic recognition of pneumonia in nursing practice.
Hoitoon liittyvä keuhkokuume voi aiheuttaa potilaalle vakavia, jopa terveyttä uhkaavia oireita ja sen
on todettu pidentävän potilaan tehohoidon kestoa, sairaalahoitojakson pituutta sekä lisäävän
potilaskuolleisuutta väestötasolla. Hoitoon liittyvän keuhkokuumeen varhainen tunnistaminen potilaan
hoidossa on sairauden ehkäisyn ja oikea-aikaisen hoidon aloittamisen näkökulmasta merkityksellistä.
Tehohoitotyön kirjauksiin kohdistuva tekstinlouhinnan hyödyntämisen kansainvälinen tutkimus on
vähäistä. Tutkimuksen tarkoituksena oli kuvata, miten hoitotyön narratiivisista kirjauksista
tekstinlouhinnan avulla poimitut ilmaisut vastaavat keuhkokuumeelle tyypillisiä kliinisiä oireita.
Tavoitteena oli arvioida, voidaanko tekstinlouhintaa hyödyntää hoitoon liittyvien keuhkokuumeiden
tunnistamisessa.
Tämän tutkimuksen aineisto oli kerätty osana laajempaa tutkimushanketta. Tutkimuksessa analysoitiin
2036 hoitotyön vapaan tekstin kirjausosioihin kirjattua keuhkoinfektioiden oireita kuvaavaa
tekstikatkelmaa. Aineisto luokiteltiin kahden luokittelun viitekehyksen mukaisesti keuhkoinfektiota
ennustaviin ja todennäköistä keuhkokuumetta kuvaaviin luokkiin. Luokittelu perustui keuhkokuumeen
kliinisten oireiden pohjalta muodostettuun analyysirunkoon. Aineistoa tarkasteltiin laadullisesti sekä
määrällisesti kvantifioimalla.
Hoitotyön kirjauksissa keuhkokuumeen kliinisistä oireista eniten kuvattiin liman erityksen oireita,
kuten limaeritteen väriä, koostumusta ja määrää. Myös märkäisiä ysköseritteitä ja yskää
keuhkokuumeen oireina kuvattiin paljon. Tekstinlouhinta tunnisti keuhkokuumeen tyypillisistä oireista
etenkin liman eritystä kuvaavat ilmaisut hyvin. Tekstinlouhinta kuitenkin tunnisti keuhkokuumeen
kliinisistä oireista erityisesti hengitykseen liittyvät oireet heikosti. Tekstinlouhinnan algoritmia on
syytä edelleen kehittää, jotta keuhkokuumeen oireet tulevat kattavasti tunnistetuiksi hoitotyön vapaan
tekstin kirjauksista. Hoitotyön vapaan tekstin kirjauksia voidaan tekstinlouhinnan avulla hyödyntää
hoitoon liittyvän keuhkokuumeen tunnistamisessa. Lisäksi keuhkokuumeen kliinisiä oireita on
mahdollista hyödyntää keuhkokuumeen diagnostisen tunnistamisen apuna hoitotyössä.
For the patient, healthcare-associated pneumonia can cause severe, even life-threatening symptoms
and it can prolong the duration of intensive care and the length of hospitalization, and increase patient
mortality. Early identification of healthcare-associated pneumonia in patient care is significant from
the perspective of disease prevention and treatment. International research on the use of text mining
for intensive care nursing documentation is limited. The purpose of this study was to describe how
expressions extracted through text mining from narrative nursing notes correspond to clinical
symptoms of pneumonia. The goal was to assess whether text mining can be utilized in the
identification of healthcare-associated pneumonia.
The data for this study were collected as a part of a larger research project. The study analyzed 2,036
text extracts describing symptoms of respiratory infections recorded in the narrative nursing notes. The
data were classified into two categories based on two classification frameworks: those predicting
respiratory infections and those describing probable pneumonia. The classification was based on an
analysis framework formed from the clinical symptoms of pneumonia. The data were examined
qualitatively and quantitatively.
In nursing notes, the clinical symptoms of pneumonia were most frequently described as symptoms
related to mucus production, such as color, consistency, and quantity of mucus discharge. Symptoms
such as purulent sputum and cough as indicative symptoms of pneumonia were also extensively
described. Text mining identified expressions related to mucus production particularly well. However,
the algorithm for text mining identified respiratory symptoms poorly. Further development of the text
mining algorithm is necessary to comprehensively identify pneumonia symptoms from narrative
nursing documentation. Nursing documentation can be effectively utilized through text mining in the
identification of healthcare-associated pneumonia. Additionally, clinical symptoms of pneumonia can
be used as aids in the diagnostic recognition of pneumonia in nursing practice.