The EHR Density Index: A new method to control for EHR data inconsistency across patients

Stellen Sie sich vor, Sie versuchen, ein Rätsel mithilfe einer riesigen, chaotischen Bibliothek medizinischer Unterlagen zu lösen. Dies ist keine Bibliothek, in der jedes Buch ordentlich sortiert ist; es ist eher wie ein chaotischer Dachboden, auf dem manche Leute ganze Kisten mit Tagebüchern, Fotos und Quittungen hinterlassen haben, während andere nur einen einzelnen Klebezettel verloren haben. In der Welt der medizinischen Forschung ist dies die Realität von „Elektronischen Patientenakten“ (Electronic Health Records, EHR). Dies sind die digitalen Dateien, die Ärzte verwenden, um Patienten zu verfolgen, aber da sie für die tägliche Versorgung und nicht für Wissenschaftler geschrieben werden, sind sie oft ungleichmäßig. Einige Patienten, meist die sehr Kranken, haben seitenweise Daten, weil sie das Krankenhaus ständig besuchen. Andere, die gesünder sind oder nur einmal im Jahr zum Arzt gehen, haben sehr spärliche Unterlagen.

Lange Zeit haben Forscher versucht, dieses Chaos mit einem Werkzeug namens „Charlson Comorbidity Index“ (CCI) zu beheben. Betrachten Sie den CCI als einen „Krankheitswert“. Er schaut in die Krankenakte eines Patienten und zählt, wie viele schwere Krankheiten diese Person hat. Die Idee ist: Wenn man weiß, wie krank jemand ist, kann man ihn fair mit anderen vergleichen. Aber hier liegt der Haken: Der CCI misst nur, wie krank eine Person ist, nicht wie viel wir über sie wissen. Wenn ein sehr kranker Mensch nur einen Spezialisten besucht, der nicht viel Details aufschreibt, erkennt der CCI zwar, dass er krank ist, aber die Akte sieht leer aus. Dies schafft ein schwieriges Problem: Ist das Ergebnis eines Patienten anders, weil er kränker ist, oder nur, weil seine medizinische Akte dünner ist? Wissenschaftler brauchen eine Möglichkeit, die „Dicke“ der Akte selbst zu messen, getrennt von der Krankheit darin.

Hier kommt ein Team von Forschern der University of North Carolina mit einer neuen Idee namens EHR Density Index (EDI) ins Spiel. Sie erkannten, dass man, um korrekte Ergebnisse aus medizinischen Daten zu erhalten, nicht nur die Gesundheit eines Patienten kennen muss, sondern auch das „Volumen“ seiner Papierarbeit. Sie entwickelten ein System, das genau misst, wie viel Information in der Akte eines Patienten für jedes Jahr steckt, wobei die Häufigkeit der Arztbesuche berücksichtigt wird.

Die Geschichte des „Papierarbeit-Detektivs“

Die Forscher begannen mit einem riesigen Datenberg: den medizinischen Unterlagen von 24.987 erwachsenen Patienten aus dem UNC Health, die die Jahre 2018 bis 2024 abdecken. Sie wollten ein neues Werkzeug schaffen, das ihnen sagen konnte: „Dieser Patient hat viele Daten“ oder „Dieser Patient hat sehr wenige“, ohne dies mit „Dieser Patient ist sehr krank“ zu verwechseln.

Um dies zu tun, haben sie nicht einfach nur Textzeilen gezählt. Sie agierten wie Detektive, die Menschen in Gruppen sortieren, basierend darauf, wie sie mit dem Gesundheitssystem interagieren. Sie verwendeten einen ausgeklügelten mathematischen Trick namens „Gaussian Mixture Model“ (denken Sie an eine intelligente Sortiermaschine), um Patienten in vier verschiedene „Nutzungsklaster“ einzuteilen, basierend auf ihren Besuchsmustern:

1. Hoher stationärer Aufenthalt (High Inpatient): Menschen mit vielen oder langen Krankenhausaufenthalten.
2. Moderater stationärer Aufenthalt (Moderate Inpatient): Menschen, die gelegentlich ins Krankenhaus gehen.
3. Regelmäßiger ambulanter Patient (Outpatient Regular): Menschen, die in festen, berechenbaren Zeiten Ärzte in Kliniken aufsuchen.
4. Unregelmäßiger ambulanter Patient (Outpatient Irregular): Menschen, die selten und zu unvorhersehbaren Zeiten zu Besuch kommen.

Sobald die Patienten in diese Gruppen sortiert waren, untersuchten die Forscher die „Dichte“ ihrer Unterlagen. Sie fragten: „Hat diese Person innerhalb dieser spezifischen Gruppe mehr oder weniger Papierarbeit als der Durchschnitt?“ Sie überprüften vier spezifische Arten von medizinischen Hinweisen: Zustände (Diagnosen), Medikamente (Arzneimittel), Messwerte (wie Bluttests) und Verfahren (wie Operationen oder Röntgenaufnahmen).

Wenn ein Patient in der Gruppe „Regelmäßiger ambulanter Patient“ viel mehr Laborergebnisse und Medikamentennotizen als seine Nachbarn hatte, erhielt er einen hohen „Dichtewert“. Wenn er weniger hatte, erhielt er einen niedrigen Wert. Dieser Wert wird als „Residuum“ bezeichnet, was nur ein schicker Begriff dafür ist, „wie weit man vom Durchschnitt entfernt ist“.

Was sie herausfanden

Das Team entdeckte etwas Faszinierendes: Krank zu sein und eine dicke Akte zu haben, sind zwar miteinander verwandt, aber sie sind nicht dasselbe.

Sie prüften, ob der „Krankheitswert“ (CCI) den „Papierarbeit-Wert“ (EDI) vorhersagen kann. Sie fanden heraus, dass, obwohl kränkere Patienten tendenziell mehr Besuche und somit mehr Daten haben, die Verbindung schwach ist. Tatsächlich fanden sie viele Patienten, die sehr krank waren, aber sehr spärliche Unterlagen hatten, und andere, die weniger krank waren, aber unglaublich detaillierte Akten besaßen.

Das Paper argumentiert explizit gegen die Vorstellung, dass der alte „Krankheitswert“ (CCI) ausreicht, um das Datenproblem zu lösen. Die Autoren zeigen, dass der CCI großartig darin ist, zu sagen, wie krank jemand ist, aber er ist schlecht darin, zu sagen, wie viel Information tatsächlich in der Akte enthalten ist. Ein Patient mit einem hohen CCI-Wert kann dennoch eine „dünne“ Akte haben, wenn er nicht oft im Krankenhaus ist, und der CCI kann das nicht sehen. Der EDI hingegen erkennt eine solche dünne Akte sofort.

Die Forscher zeigten auch, dass der EDI kein Ersatz für den CCI ist. Stattdessen ist er ein Begleiter. Stellen Sie sich vor, Sie backen einen Kuchen. Der CCI ist das Mehl (die Hauptzutat der Krankheit), und der EDI ist der Messbecher (der Ihnen sagt, wie viel von der Zutat Sie tatsächlich haben). Sie brauchen beide, um das richtige Ergebnis zu erzielen. Wenn Sie nur das Mehl verwenden, ohne es zu messen, kann Ihr Kuchen ein Desaster werden.

Warum das wichtig ist

Die Autoren schlagen vor, dass die Verwendung des EDI zusammen mit dem CCI Wissenschaftlern helfen kann, Fehler zu vermeiden. In der Vergangenheit, wenn eine Studie feststellte, dass ein bestimmtes Medikament bei manchen Menschen besser wirkt, könnte es daran gelegen haben, dass diese Menschen „dickere“ Akten hatten, in denen Ärzte mehr Details notierten, und nicht, weil das Medikament tatsächlich besser wirkte. Durch das Hinzufügen des EDI zu ihrer mathematischen Berechnung können Forscher diese Ungleichmäßigkeit „kontrollieren“.

Das Paper behauptet nicht, jedes Problem in der medizinischen Forschung gelöst zu zu haben. Sie geben zu, dass ihre spezifischen Zahlen vielleicht nicht perfekt für jedes Krankenhaus der Welt funktionieren könnten, da verschiedene Krankenhäuser Informationen unterschiedlich dokumentieren. Sie ermutigen andere Wissenschaftler, ihre Methode zu nehmen und sie auf ihren eigenen lokalen Daten „neu zu trainieren“. Sie merken auch an, dass ihr aktuelles Werkzeug nur strukturierte Daten betrachtet (wie Checkboxen und Codes) und noch nicht die freien Texte liest, die Ärzte in ihren eigenen Worten schreiben.

Kurz gesagt: Der EHR Density Index ist ein neues Lineal, um die „Dicke“ der medizinischen Geschichte eines Patienten zu messen. Er hilft Forschern zu verstehen, dass eine dünne Akte nicht bedeutet, dass der Patient gesund ist; es kann auch bedeuten, dass die Geschichte noch nicht aufgeschrieben wurde. Durch die Nutzung dieses neuen Werkzeugs hoffen Wissenschaftler, ihre Entdeckungen für alle genauer, fairer und zuverlässiger zu machen.