Künstliche Intelligenz für die automatisierte Exploration klinischer Daten aus elektronischen Patientenakten (CardioMining-AI)

Trotz der rasanten Entwicklung von Medizin und Informatik in den letzten Jahren ist die medizinische Behandlung in der modernen klinischen Praxis oft empirisch und basiert auf retrospektiven Daten. Mit der wachsenden Anzahl von Patienten und deren Konzentration in großen tertiären Zentren wird es attraktiv, klinische Daten systematisch zu sammeln und sie auf Risikostratifizierungsmodelle anzuwenden. Mit dem zunehmenden Datenvolumen wird die manuelle Datenerfassung und -verarbeitung jedoch zu einer Herausforderung, da dieser Ansatz für die Gesundheitssysteme zeitaufwändig und kostspielig ist. Darüber hinaus werden unstrukturierte Informationen, wie z. B. klinische Notizen, sehr oft als freier Text geschrieben, der für eine direkte Analyse ungeeignet ist. Der Einsatz künstlicher Intelligenz ist vielversprechend und wird die Zukunft der Medizin in den kommenden Jahren rasant verändern. Durch die angebotenen automatisierten Prozesse ist es möglich, Daten schnell und zuverlässig für die Weiterverarbeitung zu extrahieren. Die Ergebnisse aus seiner Verwendung können leicht auf verschiedene Gesundheitssysteme ausgedehnt werden, wodurch das gewonnene Wissen erweitert und die diagnostische und therapeutische Genauigkeit verbessert wird, was sich letztendlich positiv auf die Gesundheitsdienste auswirkt. Das Sammeln der riesigen Datenmengen aus verschiedenen Quellen, ohne die persönlichen Daten der Patienten zu gefährden, ist eine große Herausforderung in der modernen Wissenschaft.

Elektronisch registrierte klinische Notizen von Patienten, die in der kardiologischen Abteilung von Krankenhäusern der Tertiärstufe stationär behandelt wurden, werden nachträglich gesammelt, ebenso wie zusätzliche Dateien wie die Labor- und Bildgebungsuntersuchungen im Zusammenhang mit jeder Krankenhauseinweisung. Angesichts der Größe der teilnehmenden Kliniken und der Jahre, in denen die Aufzeichnung elektronischer Krankenakten in elektronischer Form angewandt wurde, wird die Stichprobe von Patientenakten auf etwa 60.000 geschätzt. Aus diesen elektronischen Dateien werden alle Informationen gelöscht, die möglicherweise zur Identifizierung einer Person verwendet werden könnten, wie z. B. Name, Ausweisnummer, Postleitzahl, Wohnort, Beruf. Es wird nur das Alter erfasst, nicht das genaue Geburtsdatum jedes Patienten. Es werden nur die Tage des Krankenhausaufenthalts erfasst und nicht die genauen Aufnahme- und Entlassungsdaten aus dem Krankenhaus. Somit ist eine Zuordnung der Daten zu einer bestimmten Person nicht möglich, da keine zusätzlichen Informationen oder Kennungen zu den Personen erhoben werden. Nach der Anonymisierung der Akten wird die Krankenakte jedes Patienten mit einem spezifischen Schlüssel ("Identifikator") verknüpft. Die elektronische Datei, die die Korrelation der „Kennung“ mit der klinischen Notiz des Patienten enthält, wird an einem sicheren elektronischen Speicherort des Krankenhauses gespeichert. Die vollständig anonymisierten Dateien werden zunächst manuell analysiert, um Informationen in eine Datenbank zu extrahieren, die alle klinischen Informationen der Patienten wie Entlassungsdiagnosen, Medikamente, Behandlungsprotokolle, Labor- und Diagnosetests enthält. Gleichzeitig wird eine Stichprobe (1/3) der klinischen Notizen analysiert, um die mit jeder Diagnose verbundenen Schlüsselwörter oder Phrasen zu identifizieren (z. B. wird die Diagnose Vorhofflimmern wahrscheinlich als „Vorhofflimmern“, „AF“ , usw.). Durch die Verwendung dieses generierten Stichwortverzeichnisses und durch die Integration von Methoden der künstlichen Intelligenz und Text Mining, wie beispielsweise Natural Language Processing (NLP), soll eine automatisierte Extraktion von Daten und Diagnosen aus diesen elektronischen Patientenakten versucht werden. Die Zuverlässigkeit und Genauigkeit der Berechnungsmethoden wird intern bewertet, indem die automatisch extrahierten Daten mit den manuell erfassten Daten verglichen werden. Darüber hinaus wird die Zuverlässigkeit und Genauigkeit dieser Berechnungsmethoden extern bewertet, wobei diese Methoden auf 2/3 der klinischen Notizen angewendet werden, in denen keine Zuordnung zwischen Schlüsselwörtern und spezifischen Diagnosen versucht wurde.

In Bezug auf Griechenland zielt die vorliegende Studie darauf ab, als erste die Nützlichkeit künstlicher Intelligenz für die automatisierte Extraktion und Verarbeitung unstrukturierter klinischer Daten aus den Krankenakten von Patienten zu analysieren. Die Ergebnisse dieser Studie werden sich positiv auf Folgendes auswirken:

1. die Automatisierung umfangreicher Datenanalyse- und -verarbeitungsverfahren
2. die schnelle epidemiologische Erfassung und Verwertung klinischer Daten
3. die Früherkennung von Krankheiten
4. die Entwicklung phänotypischer Patientenprofile, die von zielgerichteten Therapien profitieren könnten
5. die Entwicklung klinischer Entscheidungsunterstützungssysteme, die Informationen über den möglichen klinischen Verlauf von Patienten nach der Entlassung aus dem Krankenhaus liefern und medizinische Entscheidungen unterstützen
6. die Entwicklung und Validierung von Prognosemodellen für schwere Herz-Kreislauf-Erkrankungen