Leveraging Taxonomy Similarity for Next Activity Prediction in Patient Treatment

Dieser Artikel stellt den TS4NAP-Ansatz vor, der medizinische Taxonomien (ICD-10-CM und ICD-10-PCS) mit Graph-Matching kombiniert, um die Vorhersage des nächsten Behandlungsschritts bei Patienten zu verbessern und gleichzeitig die Entscheidungsfindung durch erklärbare Ergebnisse zu unterstützen.

Das Wesentliche

Das große Problem: Der Arzt im Dschungel

Stell dir vor, ein Arzt steht vor einem Patienten. Die Medizin hat sich so schnell weiterentwickelt, dass es heute tausende verschiedene Behandlungsmöglichkeiten gibt. Das ist wie ein riesiger Dschungel voller Pfade. Der Arzt muss den richtigen Pfad für den nächsten Schritt finden.

Das ist schwer, weil:

1. Jeder Patient anders ist: Kein Fall gleicht dem anderen.
2. Die Daten chaotisch sind: Manchmal sind Notizen unvollständig oder schwer zu lesen.
3. Die Zeit drängt: Der Arzt muss schnell entscheiden, was als Nächstes passiert (z. B. welche Operation, welches Medikament).

Früher haben Computer versucht, das zu lösen, indem sie einfach nur Zahlen und Buchstaben verglichen haben. Das war wie ein Roboter, der nur schaut: "Hast du genau denselben Code wie der letzte Patient?" Wenn nicht, war der Computer ratlos.

Die Lösung: TS4NAP – Der "Verwandtschafts-Scanner"

Die Forscher aus Trier (Martin Kuhn und sein Team) haben eine neue Methode entwickelt, die sie TS4NAP nennen.

Stell dir vor, medizinische Diagnosen und Behandlungen sind wie Bücher in einer riesigen Bibliothek.

• Die alte Methode: Der Computer vergleicht nur den Buchtitel. Wenn Buch A "Kopfweh" heißt und Buch B "Kopfschmerzen", denkt der alte Computer: "Das ist ein anderer Titel!" und ignoriert sie.
• Die neue Methode (TS4NAP): Der Computer schaut sich die Regale und die Einordnung an. Er weiß: "Kopfweh" und "Kopfschmerzen" stehen im selben Regal, im selben Kapitel, fast nebeneinander. Sie sind also verwandt.

Die Methode nutzt zwei große medizinische "Kataloge" (Taxonomien):

1. ICD-10-CM: Ein Katalog für Diagnosen (Was hat der Patient?).
2. ICD-10-PCS: Ein Katalog für Behandlungen (Was machen wir dem Patienten?).

Diese Kataloge sind wie eine Familienstammbaum-Struktur. "Krebs" ist ein Großvater, "Lungenkrebs" ist ein Vater, und "Lungenkrebs im rechten Lappen" ist ein Kind. Die neue Methode versteht, dass diese Begriffe miteinander verwandt sind, auch wenn sie nicht exakt gleich geschrieben sind.

Wie funktioniert das im Detail? (Die "Tanz-Party"-Analogie)

Um zu erraten, was als Nächstes passiert, sucht der Computer nach Patienten, die dem aktuellen Patienten ähnlich sind. Aber wie misst man Ähnlichkeit, wenn die Reihenfolge der Behandlungen leicht unterschiedlich ist?

Stell dir vor, du hast zwei Tanzgruppen (zwei Patienten):

• Patient A: Erst Tanzschritt 1, dann 2, dann 3.
• Patient B: Erst Schritt 1, dann 3, dann 2.

Ein einfacher Computer würde sagen: "Die Reihenfolge ist falsch, das passt nicht!"
Der TS4NAP-Algorithmus ist aber wie ein cleverer Choreograf. Er nutzt eine Technik namens "Bipartite Graph Matching" (ein bisschen wie ein komplexes Zuordnungs-Spiel). Er sagt: "Okay, Schritt 1 passt zu Schritt 1. Schritt 2 und 3 sind zwar vertauscht, aber sie sind verwandt und gehören zum selben Tanzstil. Ich ordne sie trotzdem zu, aber ich gebe einen kleinen Punktabzug für die Verschiebung."

So findet er die besten "Verwandten" aus der Vergangenheit, auch wenn deren Behandlungsablauf nicht 100% identisch war.

Was haben sie herausgefunden?

Die Forscher haben das an echten Daten aus einem US-Krankenhaus (MIMIC-IV) getestet. Sie haben 36 verschiedene Krankheitsgruppen (z. B. Herzinfarkt, Knochenbrüche, Infektionen) untersucht.

Das Ergebnis war beeindruckend:

• Bessere Vorhersagen: In fast allen Fällen (34 von 36) war die Vorhersage mit der neuen "Verwandtschafts-Methode" deutlich besser als mit der alten "exakten-Titel-Methode".
• Besonders gut bei Chaos: Je chaotischer und vielfältiger die Behandlung war (viele verschiedene Schritte, viele verschiedene Diagnosen), desto mehr half die neue Methode. Bei sehr einfachen, starren Abläufen machte sie kaum einen Unterschied.
• Erklärbar: Das ist der wichtigste Punkt für Ärzte: Der Computer sagt nicht nur "Mach das". Er sagt: "Ich schlage das vor, weil Patient Müller vor 3 Jahren fast genau so behandelt wurde und das gut geklappt hat." Das ist wie ein digitaler Mentor, der auf Erfahrung basiert, nicht auf einem schwarzen Kasten.

Warum ist das wichtig?

Stell dir vor, ein Krankenhaus ist wie ein großer Flughafen.

• Ohne diese Methode: Der Fluglotsen-Computer weiß nicht, welche Flugzeuge (Patienten) als Nächstes kommen. Es entstehen Staus, Betten fehlen, Personal ist überlastet.
• Mit dieser Methode: Der Computer kann vorhersagen: "Ah, dieser Patient hat ähnliche Symptome wie die letzten 50 Patienten. Die brauchen in 2 Stunden eine OP und ein spezielles Gerät."

Das hilft dem Krankenhaus, Betten, Geräte und Ärzte rechtzeitig zu planen. Und für den Arzt ist es wie eine zweite Meinung, die ihm sagt: "Hey, schau mal, hier sind ähnliche Fälle, vielleicht hast du das übersehen?"

Fazit

Die Studie zeigt, dass man künstliche Intelligenz in der Medizin nicht nur mit rohen Daten füttern sollte, sondern ihr auch das medizinische Wissen (die "Bibliothek" der Diagnosen) beibringen muss. Wenn der Computer versteht, dass Begriffe verwandt sind, wird er nicht nur genauer, sondern auch verständlicher für die Menschen, die ihn nutzen.

Es ist der Unterschied zwischen einem Roboter, der nur Buchstaben zählt, und einem erfahrenen Assistenten, der die Zusammenhänge versteht.

Technische Zusammenfassung

1. Problemstellung

Die Planung von Patientbehandlungen ist in der modernen Medizin aufgrund der Komplexität von Krankheitsverläufen und der Vielzahl möglicher Behandlungsoptionen eine enorme Herausforderung. Das Feld des Predictive Process Monitoring (PPM), insbesondere die Vorhersage der nächsten Aktivität (Next Activity Prediction, NAP), bietet Potenzial, Ärzte durch Empfehlungen für den nächsten Behandlungsschritt zu unterstützen.

Bestehende Ansätze stoßen jedoch im medizinischen Kontext an Grenzen:

• Hohe Variabilität: Patientpfade sind extrem unterschiedlich.
• Wissensintensität: Medizinische Daten erfordern tiefes Domänenwissen, das reine Datenmodelle oft nicht erfassen.
• Datenqualität und -knappheit: Medizinische Daten sind oft unstrukturiert, heterogen oder in ihrer Menge begrenzt.
• Erklärbarkeit (Explainability): Viele moderne Modelle (z. B. Deep Learning) agieren als „Black Boxes". Ärzte benötigen jedoch transparente, nachvollziehbare Entscheidungsgrundlagen, um Vertrauen in KI-Empfehlungen zu fassen.

Das Ziel der Studie ist es, eine Methode zu entwickeln, die domänenspezifisches Wissen aus medizinischen Taxonomien nutzt, um die Vorhersagegenauigkeit zu erhöhen und die Ergebnisse erklärbar zu gestalten, ohne auf Black-Box-Modelle zurückzugreifen.

2. Methodik: Der TS4NAP-Ansatz

Die Autoren stellen TS4NAP (Taxonomy Similarity for Next Activity Prediction) vor. Dies ist ein wissensbasiertes, ähnlichkeitsbasiertes Verfahren, das keine neuronalen Netze, sondern graphische Matching-Algorithmen und semantische Ähnlichkeitsmaße verwendet.

Der Ansatz besteht aus folgenden Kernkomponenten:

A. Nutzung medizinischer Taxonomien

Es werden zwei standardisierte Klassifikationssysteme verwendet:

• ICD-10-CM: Für Diagnosen (klinische Modifikation).
• ICD-10-PCS: Für stationäre medizinische Eingriffe/Prozeduren.
  Diese Codes sind hierarchisch strukturiert und enthalten implizites Wissen über die Beziehungen zwischen Krankheiten und Behandlungen.

B. Semantische Ähnlichkeitsberechnung

Um die Ähnlichkeit zwischen zwei medizinischen Codes (z. B. Diagnosen) zu bestimmen, wird das Information Content (IC) Konzept genutzt.

• IC-Berechnung: Basierend auf der Arbeit von Sánchez et al. wird der Informationsgehalt eines Konzepts berechnet, indem die Anzahl der Blätter (spezifische Unterkonzepte) und die Anzahl der Vorfahren (Subsumer) im Taxonomie-Baum berücksichtigt werden.
• Ähnlichkeitsmaß: Die Ähnlichkeit zwischen zwei Konzepten $c_1$ und $c_2$ wird über den Least Common Subsumer (LCS) berechnet:
  $$sim_{Sánchez}(c_1, c_2) = \frac{2 \cdot IC(LCS(c_1, c_2))}{IC(c_1) + IC(c_2)}$$
  Dies erlaubt es, dass Codes, die nicht identisch, aber semantisch nah beieinander liegen (z. B. verschiedene Arten von Herzinfarkten), eine hohe Ähnlichkeitsbewertung erhalten.

C. Bipartite Graph Matching (Zweipartiten Graphen)

Da Patientpfade (Traces) in der Reihenfolge der Ereignisse variieren können, wird die Ähnlichkeit nicht durch einfache Sequenzvergleiche, sondern durch Maximum Weight Matching in bipartiten Graphen berechnet.

• Transformation: Ein Patientpfad (Trace) und eine Abfrage (Query Trace) werden in einen bipartiten Graphen transformiert, wobei Knoten die Ereignisse (Prozeduren) oder Listen-Elemente (Diagnosen) darstellen.
• Gewichtung: Jede Kante im Graphen erhält ein Gewicht, das aus zwei Faktoren besteht:
  1. Taxonomische Ähnlichkeit: Basierend auf dem oben genannten $sim_{Sánchez}$.
  2. Ordnungsgewicht: Eine Strafe für Positionsunterschiede ($w_{order}$), um die zeitliche Reihenfolge zu berücksichtigen, aber kleine Verschiebungen zu tolerieren.
• Matching: Der Algorithmus (z. B. Kuhn-Munkres/Hungarian Algorithm) findet die Zuordnung, die die Summe der Gewichte maximiert. Dies ermöglicht einen robusten Vergleich auch bei leicht unterschiedlichen Abfolgen von Ereignissen.

D. Aggregation und Vorhersage

Die Gesamtähnlichkeit eines Pfades setzt sich aus der Ähnlichkeit der Diagnosenliste ($sim_{list}$) und der Ähnlichkeit der Prozedur-Abfolge ($sim_{cf}$) zusammen, gewichtet durch Hyperparameter $\alpha_1$ und $\alpha_2$.

• Vorhersage: Für einen aktuellen Pfad werden die $n$ ähnlichsten historischen Pfade im Event-Log identifiziert. Die unmittelbar folgenden Ereignisse dieser ähnlichen Pfade werden aggregiert, gruppiert und nach ihrer Häufigkeit und Ähnlichkeitsbewertung sortiert. Die Top-Ergebnisse werden als Vorhersage ausgegeben.

3. Experimentelles Setup und Daten

• Datensatz: MIMIC-IV (eine große Datenbank mit klinischen Daten aus einem US-Krankenhaus).
• Aufbereitung: Es wurden 36 separate Event-Logs erstellt, jeweils basierend auf einer spezifischen Hauptdiagnose-Kategorie (z. B. A41 Sepsis, I21 Herzinfarkt). Nur Pfade mit mindestens einer Prozedur wurden berücksichtigt.
• Validierung: Leave-One-Out Cross-Validation (LOO-CV). Jeder Pfad wurde in Präfixe zerlegt, um Vorhersagen zu verschiedenen Zeitpunkten des Behandlungsverlaufs zu testen.
• Vergleichsmodelle:
  • TS4NAP$_T$: Nutzt die taxonomische Ähnlichkeit (semantisch).
  • TS4NAP$_B$: Baseline, nutzt nur boolesche Gleichheit (exakte Code-Übereinstimmung), ignoriert Taxonomien.
• Metrik: Average Similarity. Da exakte Treffer im medizinischen Kontext zu streng sein können (ein ähnlicher Code ist klinisch akzeptabel), wird bewertet, wie ähnlich die vorhergesagten Codes den tatsächlichen Codes sind.

4. Ergebnisse

Die Studie bestätigt die beiden Hypothesen:

1. H1 (Verbesserung durch Taxonomien): Die Integration taxonomischen Wissens führt zu einer signifikanten Steigerung der Vorhersagequalität.

   • Über alle 36 Event-Logs hinweg erreichte TS4NAP$_T$ eine durchschnittliche Ähnlichkeit von 74 %.
   • In 34 von 36 Fällen war die Verbesserung statistisch signifikant (p-Wert < 0,05).
   • Die höchste Ähnlichkeit wurde bei M17 (Osteoarthritis des Knies) mit 97 % erreicht, die niedrigste bei T81 (Komplikationen von Eingriffen) mit 56 %.

2. H2 (Variabilität je nach Diagnose): Der Nutzen des Ansatzes hängt von der Komplexität des Falles ab.

   • Komplexe Szenarien: Bei Event-Logs mit einer hohen Anzahl einzigartiger Ereignisse und vielen Trace-Varianten (hohe Variabilität) war der Vorteil von TS4NAP$_T$ am größten. Die Taxonomie hilft hier, semantische Lücken zu schließen, wo exakte Matches fehlen.
   • Einfache Szenarien: Bei sehr standardisierten Pfaden mit wenigen Varianten war der Unterschied zur Baseline geringer, da hier oft exakte Matches ausreichen.
   • Präfix-Länge: Der Vorteil ist bei kurzen bis mittleren Präfixen (Anfang der Behandlung) am stärksten. Bei sehr langen Präfixen nimmt die Datenmenge ab, und die Unterschiede werden weniger signifikant.

5. Bedeutung und Schlussfolgerung

Technische Beiträge:

• Entwicklung eines White-Box-Ansatzes für NAP im medizinischen Bereich, der auf Graph-Matching und Taxonomien statt auf Black-Box-Deep-Learning-Modellen basiert.
• Kombination von Kontextwissen (Diagnoselisten) und Kontrollfluss (Prozeduren) in einem einheitlichen Ähnlichkeitsmaß.
• Demonstration, dass semantische Ähnlichkeit (durch Taxonomien) die Datenknappheit und Variabilität in medizinischen Prozessen besser bewältigt als reine String-Matching-Verfahren.

Praktische Relevanz:

• Erklärbarkeit: Da die Vorhersage auf den ähnlichsten historischen Patienten basiert, können Ärzte nachvollziehen, warum ein bestimmter Schritt empfohlen wurde (Transparenz).
• Operativer Nutzen: Die Vorhersagen unterstützen das Ressourcenmanagement (Bettenplanung, Personal, Geräte) und die Koordination von Behandlungsabläufen.
• Ressourcenoptimierung: Der Ansatz ist besonders dort wertvoll, wo die Behandlung komplex und variabel ist; in stark standardisierten Prozessen ist der zusätzliche Rechenaufwand für Taxonomien möglicherweise weniger kritisch.

Zukünftige Arbeit:
Die Autoren schlagen vor, die Rechenzeit durch effizientere Retrieval-Mechanismen zu optimieren, fortgeschrittene Alignments (z. B. Smith-Waterman) für die Reihenfolge zu nutzen und Deep-Learning-Modelle zu integrieren, deren Loss-Funktion durch taxonomisches Wissen angereichert wird, um die Vorhersagegüte weiter zu steigern.

Zusammenfassend zeigt das Paper, dass die gezielte Einbindung von medizinischem Fachwissen (Taxonomien) in prozessmining-basierte Vorhersagemodelle die Genauigkeit und Akzeptanz von KI-Systemen in der klinischen Entscheidungsfindung signifikant verbessern kann.