En datamängd för att möta patienters informationsbehov rörande vårdförloppet vid sjukhusvistelse

Varför detta är viktigt för patienter och familjer

När någon skrivs ut från sjukhuset vänder sig familjer ofta till internet med oroliga frågor: Varför gjordes detta test? Behövdes de där medicinerna verkligen? Dagens sjukhusjournaler innehåller många av svaren, men de är skrivna för läkare, inte för patienter. Denna artikel presenterar ArchEHR-QA, en ny datamängd avsedd att hjälpa forskare bygga och testa artificiell intelligens (AI) som kan omvandla täta sjukhusanteckningar till klara, korrekta svar på verkliga patientfrågor.

Från nätoro till sjukhusjournaler

Forskarna började med en enkel idé: använd verkliga frågor som människor lägger upp på offentliga hälsodelningsforum och kombinera dem med verkliga sjukhusjournaler som kan besvara dessa frågor. De samlade in inlägg från patienter och vårdgivare på en populär medicinsk diskussionssajt, med fokus på situationer där någon nyligen varit på intensivvårdsavdelningen (IVA) eller akutmottagningen. Det är tillfällen när människor ofta känner sig rädda och förvirrade, och när utskrivningsinstruktioner och sökningar online kan lämna viktiga frågor obesvarade.

Skapande av realistiska fråga–svar-par

Eftersom personerna på forumen och patienterna i sjukhusdatabasen är olika individer matchade teamet noggrant varje onlinefråga med ett avidentifierat utskrivningssammandrag som beskrev en mycket liknande medicinsk situation. Kliniker skrev sedan om varje lekmannafråga till en kort, precis version som en läkare skulle kunna använda, utan att ändra vad patienten faktiskt ville veta. Därefter gick de igenom varje sjukhusanteckning mening för mening och markerade vilka rader som var avgörande, vilka som var hjälpsamma tillägg och vilka som inte behövdes för att besvara frågan. Slutligen skrev legitimerade kliniker korta, lättförståeliga svar som enbart grundade sig i de markerade delarna av journalen.

Vad den nya datamängden innehåller

Den färdiga ArchEHR-QA-samlingen innehåller 134 patientfall: 104 rörande IVA-vistelser och 30 från akuta besök. För varje fall finns den ursprungliga patientfrågan, klinikerns omformulerade version, ett omsorgsfullt avkortat utdrag ur journalen, mening-nivå-etiketter för viktighet och ett kliniker-skrivet svar på omkring fem meningar. Fallen spänner över många specialiteter—såsom hjärtsjukdomar, lungsjukdomar, infektioner och hjärntillstånd—och täcker en bred ålders- och bakgrundsvariation. Allt material delas i standardiserade digitala format så att andra forskare lätt kan använda det.

Sätta dagens AI-modeller på prov

För att visa hur ArchEHR-QA kan användas utvärderade författarna flera moderna stora språkmodeller som kan köras lokalt. De bad varje modell att svara på frågorna med hjälp av journalutdragen och att peka ut de exakta meningarna som stödde dess svar. Teamet mätte sedan två saker: hur väl modellerna valde rätt bevis i anteckningen (faktualitet) och hur nära deras svar stämde överens med de kliniker-skrivna svaren (relevans). Olika uppmaningsstrategier testades, inklusive att be modellen skriva svaret och välja bevis i ett steg, eller att svara först och lägga till bevis i efterhand. Sammantaget fångade de bästa uppsättningarna korrekt ungefär hälften av de viktigaste meningarna och producerade svar som var delvis, men långt ifrån perfekt, i linje med experternas förklaringar.

Hur detta arbete kan avlasta kliniker

Studien undersökte också var modellerna gjorde fel. Ibland citerade de rätt sjukhusmeningar men misstolkade dem, eller så förlitade de sig för mycket på formuleringen i patientens fråga istället för på journalen själv. Dessa brister understryker varför starka riktmärken behövs innan AI säkert kan utforma meddelanden för kliniker att granska. ArchEHR-QA har redan använts i en internationell forskningsutmaning, där dussintals team experimenterade med flerstegs-system som först hittar relevanta meningar och sedan genererar svar. Datamängden kan också stödja relaterade uppgifter, såsom att hitta nyckelinformation i långa anteckningar eller sammanfatta patientfrågor.

Vad detta betyder för vården framöver

Enkelt uttryckt erbjuder denna artikel en grund för att bygga pålitliga digitala hjälpmedel som kan förklara sjukhusvård på ett språk patienter förstår, stödda av vad som faktiskt står i deras journaler. Genom att koppla verkliga frågor till verklig klinisk evidens och expertsvar gör ArchEHR-QA det möjligt att mäta om AI-system både är korrekta och användbara. Om sådana system fortsätter att förbättras kan de en dag utarbeta tydliga, individanpassade förklaringar för kliniker att granska, vilket minskar inkorgsbelastningen samtidigt som patienter och familjer får snabbare och mer pålitliga svar om vad som hände på sjukhuset och vad som kommer härnäst.

Citering: Soni, S., Demner-Fushman, D. A Dataset for Addressing Patient’s Information Needs related to Clinical Course of Hospitalization. Sci Data 13, 523 (2026). https://doi.org/10.1038/s41597-026-06639-z

Nyckelord: elektroniska patientjournaler, patientfrågor, medicinsk AI, kliniska anteckningar, fråge- och svarsystem