Master Assignment
[MSc Thesis] Optimisation of Complication Registration with Text Mining and Machine Learning (Optimalisatie van Complicatieregistratie met Text Mining en Machine learning)
Type: Master EE/CS/HMI etc
Location: Medisch Spectrum Twente
Department: Value Based Healthcare (VHBC)
Student: (Unassigned)
If you are interested please contact :
Background:
Background:
Medisch Spectrum Twente (MST) is a top clinical hospital dedicated to promoting health in the Twente region. As part of the Santeon partnership with seven other hospitals, there is a strong focus on improving and innovating healthcare. Within the Value-Based Care department (Value Based HealthCare), data outcomes and patient experiences are utilized to measure care quality. This team is also responsible for continually communicating improvements to the enhancement teams across various care pathways. One of the improvement initiatives within Colorectal Cancer is the implementation of the ERAS program (Enhanced Recovery after Surgery) to reduce length of stay following colorectal surgery.
Problem definition:
One of the outcome indicators within ERAS is complications within 60 days after surgery. However, complication registration is currently not consistently documented in the electronic patient record (EPR). Complications are often recorded in letters, notes in the record, or correspondence rather than in the designated fields within the EPR. This inconsistency makes it challenging to retrieve complications consistently. A comprehensive complication registry is crucial for both improving quality within the hospital and benchmarking with other hospitals. Therefore, the Value Based HealthCare team requires a clear, structured, and universally applicable solution to this issue. This could involve the application of Text Mining, Machine Learning (ML), and/or Large Language Models (LLM).
DUTCH VERSION BELOW
Achtergrond:
Medisch Spectrum Twente (MST) is een topklinisch ziekenhuis dat zich inzet voor het bevorderen van de gezondheid in de regio Twente. Als onderdeel van het Santeon samenwerkingsverband met zeven andere ziekenhuizen, ligt de focus sterk op het verbeteren en innoveren van de zorg. Binnen de afdeling Waardegedreven Zorg (Value Based HealthCare) worden data-uitkomsten en patiëntervaringen gebruikt om de kwaliteit van de zorg te meten. Een van de verbeterinitiatieven binnen Darmkanker is de implementatie van het ERAS programma (Enhanced Recovery after Surgery) om de ligduur te verkorten na een colorectale operatie.
Probleemstelling:
Een van de uitkomstindicatoren binnen ERAS is complicaties binnen 60 dagen na een operatie. Echter, de complicatieregistratie wordt momenteel niet eenduidig vastgelegd in het elektronisch patiëntendossier (EPD). Vaak worden complicaties geregistreerd in brieven, de naslag in het dossier of correspondentie in plaats van in de gereserveerde velden binnen het EPD. Dit maakt het lastig om complicaties op een consistente manier op te halen. Een volledig complicatieregister is van groot belang voor zowel de kwaliteitsverbetering binnen het ziekenhuis als voor benchmarking met andere ziekenhuizen. Daarom heeft het team Waardegedreven Zorg behoefte aan een eenduidige, gestructureerde en uniform inzetbare oplossing voor dit probleem. Hierbij kan worden gedacht aan de toepassing van Text Mining, Machine Learning (ML) en/of Large Language Models (LLM).