Feasibility of using automatically extracted routine clinical data in a respiratory cohort study: The SPHN-SPAC demonstrator project.
Das SPHN-SPAC-Demonstratorprojekt zeigt, dass automatisch extrahierte routinemäßige klinische Daten die manuelle Abstraktion in pädiatrischen respiratorischen Kohortenstudien effektiv ergänzen können, indem sie die Datenvollständigkeit verbessern und mehr Ereignisse erfassen, obwohl ihre breitere Anwendung derzeit durch heterogene Dokumentationspraktiken und den erheblichen Aufwand für die Datenharmonisierung eingeschränkt ist.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). 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
Stellen Sie sich vor, Sie versuchen, ein riesiges Puzzle zu lösen, aber die Teile sind über tausende verschiedene Kisten in einer riesigen Bibliothek verstreut. Dies ist die Welt der medizinischen Forschung, in der Wissenschaftler versuchen zu verstehen, wie Krankheiten Menschen im Laufe der Zeit beeinflussen. Um dies zu tun, müssen Forscher normalerweise einen „Kohorten“-Bestand aufbauen, was nur ein schicker Begriff für eine Gruppe von Menschen ist, die sie eng begleitet verfolgen. Traditionell müssen Forscher wie menschliche Schreiber agieren, die in Krankenhäusern sitzen und manuell Notizen aus Patientenakten in ihre eigenen Datenbanken kopieren. Das ist langsam, teuer und ein bisschen so, als würde man versuchen, einen Swimmingpool mit einem Teelöffel zu füllen.
In den letzten Jahren ist eine neue Idee entstanden: Was wäre, wenn wir das Krankenhauscomputer einfach bitten könnten, uns die richtigen Teile automatisch herauszusuchen? Hier kommt der Begriff „routinemäßige klinische Daten“ ins Spiel. Dies sind die digitalen Aufzeichnungen, die Ärzte und Pflegekräfte jeden Tag erstellen, wenn sie Patienten behandeln – Dinge wie Bluttestergebnisse, Besuchstermine und Diagnosen. Die Hoffnung ist, dass wir, wenn wir Computer dazu bringen können, diese Daten automatisch zu erfassen, riesige Gruppen von Menschen viel schneller und kostengünstiger untersuchen können. Es gibt jedoch einen Haken. Nur weil die Daten in einem Computer existieren, bedeutet das nicht, dass sie bereit zur Verwendung sind. Sie könnten in einem Geheimcode geschrieben, in einem unordentlichen Format gespeichert oder in verschiedenen Teilen des Systems versteckt sein. Die große Frage, die sich Forscher stellen, lautet: Können wir diesen automatischen digitalen Greifern wirklich vertrauen, dass sie uns dieselben guten Informationen liefern wie unsere sorgfältigen menschlichen Schreiber, oder wird uns der Computer einfach einen Haufen kaputter Puzzleteile überreichen?
Dieses Papier erzählt die Geschichte eines Teams in der Schweiz, das beschlossen hat, diese Idee anhand einer Gruppe von Kindern mit Atemwegsproblemen zu testen. Sie richteten ein „Demonstrationsprojekt“ ein, um zu sehen, ob sie das System der Swiss Personalized Health Network (SPHN) nutzen könnten, um ihre menschlichen Schreiber zu ersetzen oder zumindest zu unterstützen.
Die Forscher betrachteten 1.075 Kinder, die Teil einer Studie namens Swiss Paediatric Airway Cohort (SPAC) waren. Jahrelang hatte ein Team von menschlichen Forschern Daten aus den Krankenakten dieser Kinder manuell kopiert. Für dieses neue Projekt bat das Team die Krankenhauscomputer, dieselben Informationen unter Verwendung des SPHN-Systems automatisch zu extrahieren. Sie wollten drei Dinge prüfen: wie lange es dauern würde, die Daten zu erhalten, wie viele Daten sie tatsächlich erhalten könnten und wie gut die Daten des Computers mit den Daten der Menschen übereinstimmten.
Die Ergebnisse waren eine Mischung aus „großen Neuigkeiten“ und „nicht so schnell“. Erstens war das automatische System auf eine gute Art und Weise ein datenhungriges Monster. Es fand viel mehr Besuche als die Menschen. Zum Beispiel fand der Computer an einem Krankenhaus 1.963 ambulante Besuche, während die Menschen nur 1.049 erfasst hatten. An einem anderen fand er 2.343 Besuche gegenüber 1.010. Der Computer schaffte es auch, Besuche für Kinder zu finden, deren Eltern gar keine Folgefragebögen ausgefüllt hatten, was wie ein Sicherheitsnetz wirkte, das Informationen auffing, die die Menschen übersehen hatten.
Das Erhalten dieser Daten war jedoch nicht so einfach wie das Drücken eines „Download“-Buttons. Es dauerte etwa 24 Monate – zwei ganze Jahre! – bis das Team die Daten bereit hatte. Sie mussten sich durch ein Labyrinth aus verschiedenen Krankenhauscomputersystemen kämpfen, von denen jedes seine eigene Sprache sprach. Die Daten kamen in einem Format namens RDF (Resource Description Framework) heraus, was eine hochstrukturierte, aber sehr abstrakte Art der Informationsorganisation ist, die Computer lieben, Menschen aber schwierig finden. Das Team musste eine enorme Menge an Zeit und Geld (etwa 242.000 Schweizer Franken im Voraus) aufwenden, um dies in ein Format zu übersetzen, das sie tatsächlich für ihre Studie nutzen konnten.
Als sie schließlich die beiden Datensätze verglichen, war der Computer überraschend genau bei den Dingen, die er finden konnte. Für strukturierte Zahlen wie Größe, Gewicht und Lungenfunktionstests (Spirometrie) stimmten der Computer und die Menschen fast perfekt überein. Die Zahlen stimmten so eng überein, dass die Daten des Computers für diese spezifischen Gegenstände genauso zuverlässig waren wie die der Menschen. Aber der Computer war nicht perfekt. Er übersah einige Dinge, die Menschen leicht fanden, wie zum Beispiel Details darüber, welche Medikamente während ambulanter Besuche verschrieben wurden oder Ergebnisse von Hautpricktests für Allergien. Er hatte auch Schwierigkeiten, Informationen zu finden, die in Freitextnotizen statt in spezifischen Feldern geschrieben waren.
Das Team prüfte auch, wie gut die Daten des Computers mit den Berichten der Eltern über Notaufnahmebesuche übereinstimmten. Der Computer und die Eltern stimmten meistens darin überein, ob ein Besuch stattgefunden hatte oder nicht (hohe „Negativ-Übereinstimmung“), aber wenn ein Besuch tatsächlich stattfand, waren sie sich über den genauen Zeitpunkt oder die Details nicht immer einig. Dies liegt wahrscheinlich daran, dass Eltern möglicherweise einen Besuch in einem anderen Krankenhaus in Erinnerung haben, den der Computer nicht sah, oder weil sie einen kleineren Besuch vergessen könnten.
Am Ende legt das Papier nahe, dass die automatische Datenextraktion ein mächtiges Werkzeug ist, das Forschern mehr Informationen liefern und Dinge finden kann, die Menschen übersehen könnten, aber sie kann den menschlichen Touch noch nicht vollständig ersetzen. Der Computer ist großartig darin, die einfachen, strukturierten Zahlen zu erfassen, aber er braucht noch viel Hilfe, um das chaotische, handschriftliche oder Freitext-Teil der Geschichte eines Patienten zu verstehen. Die Forscher kommen zu dem Schluss, dass diese Technologie zwar vielversprechend ist, wir aber die Art und Weise verbessern müssen, wie Krankenhäuser ihre Notizen schreiben, und bessere Werkzeuge entwickeln müssen, um die Sprache des Computers zu übersetzen, bevor wir ihm voll und ganz vertrauen können. Es ist ein sehr hilfreicher Assistent, aber im Moment braucht er noch einen menschlichen Aufseher, um sicherzustellen, dass die Puzzleteile korrekt zusammenpassen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.