Cannabis Use Documentation within the Electronic Health Record: A Use Case for Natural Language Processing Methods

Diese Studie entwickelt und validiert einen Natural-Language-Processing-Algorithmus (Bio-ClinicalBERT), der in der Lage ist, Cannabis-Konsumdaten aus unstrukturierten klinischen Notizen in elektronischen Patientenakten mit nahezu menschlicher Genauigkeit zu extrahieren und zu klassifizieren, wodurch die Grundlage für verbesserte Patientenversorgung und epidemiologische Forschung gelegt wird.

Das Wesentliche

Titel: Wie KI den „versteckten" Cannabis-Verbrauch in Patientenakten aufspürt

Stellen Sie sich vor, ein riesiges Archiv aus Millionen von Patientenakten liegt vor uns. In den meisten dieser Akten gibt es ein wichtiges Detail über den Konsum von Cannabis (umgangssprachlich oft „Gras" oder „Marihuana"), das jedoch im Chaos der freien Textnotizen der Ärzte und Pflegekräfte untergeht. Es ist wie nach einer bestimmten Nadel in einem riesigen Heuhaufen zu suchen, wobei die Nadel nicht in einem ordentlichen Fach liegt, sondern irgendwo in den losen Strohhalmen versteckt ist.

Das Problem: Der Heuhaufen aus Notizen
In Krankenhäusern werden Daten oft nicht in klaren Kästchen („Ja/Nein") gespeichert, sondern in langen, unstrukturierten Texten. Ein Arzt schreibt vielleicht in einer Notiz: „Patient erwähnt, dass er ab und zu Cannabis nutzt." Diese Information ist da, aber für Computer unsichtbar, da sie nicht als strukturiertes Datum hinterlegt ist. Das ist wie ein Buch, in dem wichtige Fakten nur in den Fußnoten stehen, die niemand liest.

Die Lösung: Ein digitaler Detektiv (NLP)
Die Forscher von Geisinger (ein großes Gesundheitssystem in Pennsylvania) haben eine spezielle Art von künstlicher Intelligenz (KI) entwickelt, die wie ein super-schneller, digitaler Detektiv funktioniert. Diese Technologie nennt sich „Natural Language Processing" (NLP).

Stellen Sie sich diese KI als einen extrem aufmerksamen Lesehund vor:

1. Der Suchauftrag: Der Hund bekommt einen Korb mit Wörtern wie „Cannabis", „Marihuana", „THC" oder „Joint".
2. Die Jagd: Der Hund durchsucht Millionen von Patientenakten und schnüffelt nach diesen Wörtern.
3. Die Filterung: Hier wird es knifflig. Das Wort „Joint" kann auch ein schmerzender Gelenk (Knie, Schulter) bedeuten. Das Wort „CBD" kann die Gallenblase (Common Bile Duct) meinen. Unser digitaler Hund muss also lernen, den Unterschied zwischen „Ich habe ein schmerzhaftes Gelenk" und „Ich rauche einen Joint" zu verstehen. Er lernt den Kontext, genau wie ein Mensch, der den Unterschied zwischen „Ich habe eine Waffe" (im Sinne von Schusswaffe) und „Ich habe eine Waffe" (im Sinne von Werkzeug) versteht.

Das Training: Vom Schüler zum Meister
Um diesen KI-Hund zu trainieren, haben menschliche Experten erst einmal hunderte von Notizen von Hand gelesen und markiert: „Hier geht es um Cannabis, hier nicht." Der KI wurde beigebracht, diese Muster zu erkennen. Sie haben vier verschiedene Modelle getestet, darunter einen sehr fortschrittlichen Typ namens „Bio-ClinicalBERT". Man kann sich das wie den Unterschied zwischen einem normalen Schüler und einem Genie-Veterinär vorstellen. Das Genie-Veterinär (Bio-ClinicalBERT) hat die Aufgabe am besten gemeistert und fast so gut gearbeitet wie die menschlichen Experten selbst.

Was haben sie herausgefunden?
Als die KI endlich fertig trainiert war und die ganze Aktenbibliothek durchsuchte, kamen erstaunliche Ergebnisse ans Licht:

• Die Zahl: Etwa 8,6 % der Patienten, die in diesem System behandelt wurden, hatten einen Hinweis auf Cannabis-Konsum in ihren Akten. Das ist viel mehr als man dachte, aber wahrscheinlich immer noch weniger als die Realität, da viele Patienten aus Scham nicht darüber sprechen.
• Das Profil: Die Patienten, bei denen Cannabis erwähnt wurde, hatten oft ein höheres Körpergewicht (BMI) als der Durchschnitt.
• Die Kombination: Ein sehr deutliches Muster zeigte sich: Wer Cannabis konsumiert, nutzt sehr viel häufiger auch andere Substanzen. Sie waren etwa zehnmal häufiger Raucher von Tabak, zehnmal häufiger Alkoholtrinker und neunmal häufiger Konsumenten anderer illegaler Drogen als die restliche Bevölkerung.

Warum ist das wichtig?
Warum sollte man sich dafür interessieren? Stellen Sie sich vor, ein Arzt verschreibt ein neues Medikament. Wenn er nicht weiß, dass der Patient Cannabis nutzt, könnte es zu gefährlichen Wechselwirkungen kommen – wie wenn man zwei verschiedene Chemikalien mischt, die nicht zusammenpassen.

Durch diese KI-Technologie können Ärzte in Zukunft schneller und sicherer erkennen, ob ein Patient Cannabis nutzt, ohne dass sie jede Notiz von Hand lesen müssen. Es ist wie ein Sicherheitsnetz, das hilft, die Gesundheit der Patienten besser zu verstehen und zu schützen.

Fazit
Diese Studie zeigt, dass wir mit Hilfe von moderner KI endlich anfangen können, die „versteckten" Informationen in unseren Krankenakten zu lesen. Es ist ein großer Schritt von einem chaotischen Heuhaufen hin zu einer klaren Landkarte, die Ärzten hilft, bessere Entscheidungen zu treffen. Die KI hat bewiesen, dass sie fast so gut ist wie ein menschlicher Experte, wenn es darum geht, die Wahrheit im Text zu finden.

Technische Zusammenfassung

1. Problemstellung

Informationen über den Konsum von Cannabis (sowohl medizinisch als auch recreational) sind in elektronischen Gesundheitsakten (EHR) oft vorhanden, aber für die klinische Nutzung und Forschung schwer zugänglich. Die Dokumentation erfolgt primär in unstrukturierten Freitext-Notizen (z. B. Fortschrittsnotizen, Pflegeberichte) anstatt in diskreten, strukturierten Feldern. Dies erschwert die Identifizierung von Patienten, die Cannabis nutzen, und verhindert die automatische Erkennung von Arzneimittelwechselwirkungen oder die Unterstützung klinischer Entscheidungsprozesse. Bisherige Studien konzentrierten sich oft auf spezifische Subpopulationen (z. B. Psychiatriepatienten oder ältere Erwachsene), was die Übertragbarkeit auf die gesamte Bevölkerung einschränkte. Zudem fehlt es an validierten Methoden, um aus dem riesigen Korpus unstrukturierter EHR-Daten präzise Cannabis-Nutzer zu extrahieren.

2. Methodik

Die Studie wurde im Rahmen des integrierten Gesundheitssystems Geisinger (Pennsylvania, USA) durchgeführt und deckte einen Zeitraum vom 01.01.2013 bis zum 30.06.2022 ab.

• Datengrundlage: Aus einer Gesamtpopulation von über 1,76 Millionen Patienten wurden EHR-Notizen extrahiert, die cannabisbezogene Begriffe enthielten.
• Lexikon-Entwicklung & Datenvorverarbeitung:
  • Es wurde ein Lexikon mit 22 Begriffen erstellt (z. B. „marijuana", „cannabis", „THC", „weed", „CBD").
  • Bereinigung (Data Cleaning): Um Fehlklassifikationen zu minimieren, wurden Notizen entfernt, in denen Begriffe in anderen Kontexten verwendet wurden (z. B. „CBD" für Common Bile Duct, „pot" für Neti Pot oder Hypotension, „joint" für anatomische Gelenke).
  • Negationen (z. B. „kein Cannabiskonsum") wurden ebenfalls herausgefiltert.
  • Das Endergebnis war ein analytischer Datensatz von ca. 2,79 Millionen Notiz-Schnipseln (jeweils 300 Zeichen vor und nach dem Suchbegriff).
• Manuelle Annotation:
  • Drei Annotatoren klassifizierten 3.650 Notizen manuell in sechs Kategorien: True Mention (echter Bezug), Patient Use (Bezug auf den Patienten), Indication of Use (Nutzung nachgewiesen), Medical Use (medizinischer Zweck), Current Use (aktuelle Nutzung) und History of Use (Vorgeschichte).
  • Die Inter-Rater-Reliabilität (Kappa) war für die meisten Kategorien sehr hoch (> 0,83).
• Modellentwicklung:
  • Vier maschinelle Lernmodelle wurden trainiert und verglichen:
    1. Logistische Regression (LR)
    2. Support Vector Machine (SVM)
    3. BERT (Bidirectional Encoder Representations from Transformers)
    4. Bio-ClinicalBERT (ein auf medizinische Texte vortrainiertes Transformer-Modell).
  • Die Modelle wurden als binäre Klassifikationsaufgaben für jede der sechs Kategorien trainiert.
  • Zur Evaluierung wurde eine 5-fache Kreuzvalidierung verwendet. Die Leistungsmetriken waren Precision, Recall und F-Score.

3. Wichtige Beiträge

• Skalierbarkeit: Die Studie wendet NLP-Methoden erstmals auf eine unstratifizierte, breite Bevölkerung innerhalb eines großen Gesundheitssystems an (über 1,7 Millionen Patienten), anstatt sich auf spezifische Krankheitsgruppen zu beschränken.
• Validierte Pipeline: Es wurde eine robuste Pipeline entwickelt, die von der lexikalischen Suche über die manuelle Annotation bis hin zum Training von Transformer-Modellen reicht.
• Vergleich von Architekturen: Der direkte Vergleich traditioneller ML-Modelle (LR, SVM) mit modernen Transformer-Modellen (BERT, Bio-ClinicalBERT) im Kontext von Cannabis-Dokumentation.
• Demografische Einblicke: Die Studie liefert detaillierte demografische und klinische Charakteristika der identifizierten Cannabis-Nutzer im Vergleich zur Gesamtbevölkerung.

4. Ergebnisse

• Modellleistung:
  • Bio-ClinicalBERT erzielte die beste Gesamtleistung und näherte sich der menschlichen Annotation an.
  • Für die Kategorien True Mention und Indication of Use erreichte Bio-ClinicalBERT einen gewichteten F-Score von 92,4 % (Precision: 91,4 %, Recall: 93,3 %).
  • Für schwierigere Kategorien wie Medical Use und Current Use zeigten alle Modelle schwächere Leistungen (F-Scores zwischen 45 % und 72 %), wobei SVM in diesen spezifischen Kategorien leicht besser als Bio-ClinicalBERT abschnitt.
• Prävalenz:
  • Von den über 1,7 Millionen Patienten wurden 150.726 (8,6 %) als Cannabis-Nutzer identifiziert.
  • Dies entspricht etwa 40,6 % der Patienten, die in den analysierten Notizen cannabisbezogene Begriffe enthielten.
• Patientencharakteristika:
  • Cannabis-Nutzer hatten im Durchschnitt einen höheren BMI (28,5 vs. 26,9 in der Gesamtbevölkerung).
  • Es bestand eine starke Assoziation mit anderen Substanzkonsumen: Cannabis-Nutzer waren 10-mal häufiger Raucher und Alkoholkonsumenten sowie 9-mal häufiger Konsumenten illegaler Drogen im Vergleich zur Gesamtbevölkerung.
  • Die Altersverteilung war ähnlich, aber die Anteile von Patienten >65 Jahren und <18 Jahren waren in der Cannabis-Gruppe geringer als in der Gesamtbevölkerung.

5. Bedeutung und Schlussfolgerung

Die Studie demonstriert, dass Natural Language Processing (NLP), insbesondere Transformer-basierte Modelle wie Bio-ClinicalBERT, in der Lage ist, Cannabis-Konsumdaten aus unstrukturierten klinischen Notizen mit hoher Präzision und Recall zu extrahieren. Dies ermöglicht es Gesundheitssystemen, eine bisher ungenutzte Datenquelle zu erschließen, um:

1. Die epidemiologische Prävalenz des Cannabis-Konsums genauer zu erfassen.
2. Klinische Entscheidungsunterstützungssysteme zu verbessern (z. B. durch Warnungen vor Wechselwirkungen).
3. Risikogruppen für komorbide Substanzstörungen besser zu identifizieren.

Einschränkungen: Die Modelle zeigten Schwierigkeiten bei der Unterscheidung zwischen medizinischem und nicht-medizinischem Konsum sowie zwischen aktueller und vergangener Nutzung, was auf semantische Variabilität in den Notizen zurückzuführen ist. Zudem basieren die Ergebnisse auf einem einzelnen Gesundheitssystem, was die externe Validität einschränken könnte. Dennoch legt die Studie den Grundstein für die Automatisierung der Erfassung von Substanzkonsumdaten und deren Integration in die klinische Praxis und Forschung.