Læge Theresa Wilhelm laver en del af sit ph.d.-projekt i gruppen. Om projektet skriver hun:
Som en del af mit ph.d.-projekt udvikler vi MCTD-SCOUT—en kunstig intelligens (AI)-baseret tilgang, der har til formål at forkorte tiden til diagnose for patienter med Mixed Connective Tissue Disease (MCTD). Som reumatolog ser jeg, hvordan diagnostiske forsinkelser kan føre til langvarig uvished, gentagne—og nogle gange unødvendige—undersøgelser samt betydelig psykisk belastning for patienter og deres familier. Alt for ofte er de afgørende spor allerede til stede i den elektroniske patientjournal, men de er skjult på tværs af hundredvis af sider med ustrukturerede kliniske notater, som ingen kliniker har tid til at gennemgå i deres helhed.
MCTD-Scout adresserer dette ved at anvende Natural Language Processing (NLP) til at “læse” fritekst i medicinske journaler og identificere subtile kombinationer af symptomer, fund og sygdomsforløb, der er forenelige med MCTD. Målet er at identificere sandsynlige MCTD-tilfælde tidligere, end de nuværende patientforløb tillader, så man kan sikre hurtigere henvisning, mere rettidige udredninger og tidligere opstart af relevant behandling—med det overordnede formål at forbedre patienternes prognose og livskvalitet.
English version below:
Dr. Theresa Wilhelm conducts part of her PhD project within the group. About the project, she writes:
As part of my PhD project, we are developing MCTD-SCOUT—an artificial intelligence (AI) approach designed to shorten the time to diagnosis for patients with Mixed Connective Tissue Disease (MCTD). As a rheumatologist, I see how diagnostic delays can lead to prolonged uncertainty, repeated—and sometimes unnecessary—investigations, and significant psychological strain for patients and families. Too often, the key clues are already present in the electronic health record, but hidden across hundreds of pages of unstructured clinical notes that no clinician has the time to review in full.
MCTD-Scout addresses this gap by using Natural Language Processing (NLP) to “read” free-text medical records and detect subtle combinations of symptoms, findings, and disease trajectories consistent with MCTD. The goal is to identify likely MCTD cases earlier than current pathways allow, enabling faster referral, more timely investigations, and earlier initiation of appropriate care—ultimately improving outcomes for patients.