Process mining for breast cancer patients’ clinical pathway : a case study at Helsinki University Hospital
Tanni, Paula (2022)
Pro gradu -tutkielma
2022
School of Business and Management, Kauppatieteet
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2022060643389
https://urn.fi/URN:NBN:fi-fe2022060643389
Tiivistelmä
Process mining is an emerging discipline that can be used for data-driven analysis of real-world processes. This master’s thesis aims to recognize how process mining is currently applied in healthcare analytics, harness the process mining technology on real-world hospital data, discover what the typical processes look like for breast cancer patients at Helsinki University Hospital, and how they compare to the planned process model.
The first part of the study was conducted as a literature review and the second part as a case study with the Process Mining for Python (PM4Py) framework. The data for the case study was collected from HUS Data Lake from the years 2020 and 2021 and consisted of 855 patients’ appointments at Helsinki University Hospital. The patients were split into two subcategories based on their treatment protocol and only the variants with the highest frequencies were included in the analysis.
For the given data, the process for typical clinical pathways for two different patient groups was challenging to discover and they only covered the pathway of 182 patients. The discovered typical pathways and the planned process models were very similar, and the discovered time delays between the activities were close to estimated. The results of the thesis show that process mining can be applied for improving the efficiency and patient experience of patient treatment. The use of process mining tools can give new insights into the medical processes and give feedback on how the actual process compares to the best practice guidelines. Prosesssilouhinta on kasvava tieteenala, jota voidaan käyttää reaalimaailman prosessien datalähtöisessä analyysissä. Tämän pro gradu -tutkimuksen tavoitteena oli tunnistaa analytiikan käyttömahdollisuuksia prosessilouhinnalle terveydenhuollossa, soveltaa prosessilouhintamenetelmiä terveydenhuollossa tallennetuille tiedoille ja löytää rintasyöpäpotilaiden tyypilliset hoitopolut Helsingin Yliopistollisessa Sairaalassa, sekä vertailla löydettyjä prosessimalleja potilaille suunniteltuihin hoitoprosesseihin.
Tutkimuksen ensimmäinen osio toteutettiin kirjallisuuskatsauksena ja toinen osio tapaustutkimuksena. Työkaluna käytettiin Process Mining for Python (PM4Py) ohjelmistokirjastoa. Tapaustutkimukseen tarvittava data kerättiin HUS Tietoaltaalta vuosilta 2020–2021 ja se koostui 855 potilaan potilaskontaktitiedoista Helsingin Yliopistollisessa Sairaalassa. Potilaat jaettiin kahteen alaryhmään heidän hoitoprotokollansa mukaan ja analyysiin sisällytettiin vain ne hoitopolut, joilla oli suurin frekvenssi.
Potilaiden tyypilliset hoitopolut olivat haastavaa löytää prosessilouhintamenetelmällä datasta ja löydetyt tyypilliset hoitopolut edustivat yhteensä vain 182 potilaan hoitopolkua. Analyysillä löydetyt tyypilliset hoitopolut ja potilaille suunnitellut hoitopolut olivat hyvin samankaltaiset ja aikaviiveet aktiviteettien välillä olivat lähellä arvioituja aikaviiveitä. Tämän tutkimuksen tulokset osoittavat, että prosessilouhintamenetelmiä voidaan soveltaa potilaan hoitoprosessien tehokkuuden ja hoitokokemuksen parantamiseksi. Prosessilouhintatyökalut voivat antaa uusia näkökulmia hoitoprosesseihin ja se mahdollistaa toteutuneiden prosessien ja hoitosuositusten vertailun.
The first part of the study was conducted as a literature review and the second part as a case study with the Process Mining for Python (PM4Py) framework. The data for the case study was collected from HUS Data Lake from the years 2020 and 2021 and consisted of 855 patients’ appointments at Helsinki University Hospital. The patients were split into two subcategories based on their treatment protocol and only the variants with the highest frequencies were included in the analysis.
For the given data, the process for typical clinical pathways for two different patient groups was challenging to discover and they only covered the pathway of 182 patients. The discovered typical pathways and the planned process models were very similar, and the discovered time delays between the activities were close to estimated. The results of the thesis show that process mining can be applied for improving the efficiency and patient experience of patient treatment. The use of process mining tools can give new insights into the medical processes and give feedback on how the actual process compares to the best practice guidelines.
Tutkimuksen ensimmäinen osio toteutettiin kirjallisuuskatsauksena ja toinen osio tapaustutkimuksena. Työkaluna käytettiin Process Mining for Python (PM4Py) ohjelmistokirjastoa. Tapaustutkimukseen tarvittava data kerättiin HUS Tietoaltaalta vuosilta 2020–2021 ja se koostui 855 potilaan potilaskontaktitiedoista Helsingin Yliopistollisessa Sairaalassa. Potilaat jaettiin kahteen alaryhmään heidän hoitoprotokollansa mukaan ja analyysiin sisällytettiin vain ne hoitopolut, joilla oli suurin frekvenssi.
Potilaiden tyypilliset hoitopolut olivat haastavaa löytää prosessilouhintamenetelmällä datasta ja löydetyt tyypilliset hoitopolut edustivat yhteensä vain 182 potilaan hoitopolkua. Analyysillä löydetyt tyypilliset hoitopolut ja potilaille suunnitellut hoitopolut olivat hyvin samankaltaiset ja aikaviiveet aktiviteettien välillä olivat lähellä arvioituja aikaviiveitä. Tämän tutkimuksen tulokset osoittavat, että prosessilouhintamenetelmiä voidaan soveltaa potilaan hoitoprosessien tehokkuuden ja hoitokokemuksen parantamiseksi. Prosessilouhintatyökalut voivat antaa uusia näkökulmia hoitoprosesseihin ja se mahdollistaa toteutuneiden prosessien ja hoitosuositusten vertailun.