Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Each language version is independently generated for its own context, not a direct translation.
Ein neuer Weg, um die Geschichte der Gesundheit in digitalen Patientenakten nutzbar zu machen
In den digitalen Patientenakten großer Krankenhäuser sammeln sich über Jahre hinweg riesige Mengen an Text an. Ärzte schreiben bei jedem Besuch Notizen über Symptome, Diagnosen, Medikamente und Behandlungspläne. Diese Texte enthalten wertvolle Informationen, aber sie bergen auch Probleme: Die Akten werden immer länger, viele Informationen werden wiederholt oder sind über tausende Seiten verstreut. Für einen Arzt ist es schwierig, bei einem neuen Termin schnell den Überblick über die gesamte Entwicklung eines Patienten zu behalten. Auch für Computerprogramme, die Krankheiten erkennen sollen, ist dieser Berg an unstrukturiertem Text schwer zu verarbeiten.
In einer aktuellen Forschungsarbeit stellen die Autoren ein System namens CLIN-SUMM vor. Dieses System verändert die Art und Weise, wie diese Notizen gespeichert werden. Anstatt die gesamte Krankengeschichte jedes Mal neu zu lesen oder in einen einzigen, statischen Text zusammenzufassen, arbeitet CLIN-SUMM schrittweise. Bei jedem neuen Arztbesuch liest das System die aktuelle Notiz und fügt nur die neuen, wichtigen Informationen zu einer bereits bestehenden, organisierten Übersicht hinzu. Diese Übersicht ist in feste Kategorien unterteilt, wie zum Beispiel „Diagnosen“, „Medikamente“ oder „Laborbefunde“, und jede Information erhält ein Datum. So entsteht eine chronologische Zeitlinie, die mit jedem Besuch wächst, ohne dass alte Informationen unnötig wiederholt werden.
Die Forscher testeten dieses System an Daten von über 12.000 Patienten des Massachusetts General Hospital. Dabei konnten sie die Menge des Textes um fast 70 % reduzieren. Trotz dieser starken Kürzung bewerteten Mediziner die Zusammenfassungen als korrekt und vollständig. Die Zusammenfassungen enthielten weniger als 4 % Fehler oder erfundene Informationen.
Um den Nutzen dieser neuen Art der Datendarstellung zu prüfen, nutzten die Autoren die Zusammenfassungen für die Untersuchung von Demenz. Sie trainierten ein Computerprogramm mit den gekürzten CLIN-SUMM-Texten, um zu sehen, ob es Demenz erkennen oder das Risiko für eine Erkrankung vorhersagen kann. Die Ergebnisse zeigten, dass das Programm sehr gut darin war, Demenzfälle von gesunden Personen zu unterscheiden. Besonders bemerkenswert war, dass das Modell das Risiko für eine Demenz bereits Jahre vor der eigentlichen Diagnose erkennen konnte. Die Forscher stellten fest, dass die Vorhersagekraft des Modells mit der Zeit zunahm, je mehr klinische Informationen in den Zusammenfassungen über die Jahre dokumentiert wurden.
Zusätzlich untersuchten die Autoren, wie gut das System bei der Erfassung von Medikamenten hilft. Sie stellten fest, dass die Zusammenfassungen oft mehr Informationen über die tatsächliche Medikamenteneinnahme fanden als die herkömmlichen, rein strukturierten Tabellen der Krankenhausdatenbanken. Die Zusammenfassungen konnten genau erfassen, wie die Dosierung eines Medikaments über die Zeit angepasst wurde.
Die Forscher zeigten auch, dass CLIN-SUMM mit quelloffenen Modellen funktioniert, die lokal auf den Computern eines Krankenhauses installiert werden können. Dies ist wichtig für den Datenschutz, da die sensiblen Patientendaten das Krankenhaus nicht verlassen müssen. Die Arbeit legt nahe, dass diese Methode der schrittweisen, strukturierten Zusammenfassung eine praktische Möglichkeit bietet, die Informationen in klinischen Notizen sowohl für die Arbeit von Ärzten als auch für die computergestützte Analyse von Krankheitsverläufen nutzbar zu machen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.