Identifying antipsychotic treatment episodes using natural language processing and change-point detection
Diese Studie präsentiert und validiert ein skalierbares Framework, das natürliche Sprachverarbeitung und Change-Point-Detektion kombiniert, um longitudinale Antipsychotika-Behandlungsepisoden aus unstrukturierten elektronischen Gesundheitsakten zu rekonstruieren, wobei sie klinische Validität nachweist und signifikante Assoziationen zwischen Behandlungs-Komplexität und Inanspruchnahme von Gesundheitsleistungen aufzeigt.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Welt der psychischen Gesundheitsversorgung wird die Geschichte der Behandlung eines Patienten oft in den Randnotizen geschrieben. Seit Jahrzehnten halten Ärzte ihre Entscheidungen über Medikamente in fließenden Texten fest und beschreiben darin, warum ein Medikament begonnen wurde, wie ein Patient darauf reagierte oder wann ein Wechsel stattfand. Während diese Erzählungen die wahre Geschichte des Weges eines Patienten enthalten, sind sie in unstrukturierten Texten eingeschlossen und für die Computer, die die Hospitaldaten verwalten, unsichtbar. Dies schafft einen blinden Fleck für Forscher, die versuchen zu verstehen, wie Behandlungen im Laufe der Zeit wirken. Sie können nicht einfach das vollständige Bild davon sehen, wer welches Medikament wie lange einnimmt und wann sich das Muster ändert. Ohne diese Klarheit ist es schwierig zu wissen, ob die derzeitigen Praktiken den Patienten helfen oder ob sie zu unnötigen Krankenhausaufenthalten führen. Die Herausforderung bestand darin, einen Weg zu finden, diese tausenden handschriftlichen Notizen zu lesen und sie in eine klare, chronologische Zeitlinie zu verwandelt, die ein Computer verstehen und analysieren kann.
Ein Forschungsteam des King's College London und des South London and Maudsley NHS Foundation Trust hat eine neue Methode entwickelt, um dieses Problem zu lösen. Sie entwickelten ein System, das zwei leistungsstarke Werkzeuge kombiniert: einen digitalen Leser, der die menschliche Sprache versteht, und einen mathematischen Detektor, der erkennt, wenn sich ein Muster ändert. Der digitale Leser, bekannt als Natural Language Processing (natürliche Sprachverarbeitung), scannt die unstrukturierten klinischen Notizen, um jede Erwähnung von Antipsychotika zu finden – jenen Medikamenten, die zur Behandlung von Schizophrenie und verwandten Erkrankungen eingesetzt werden. Er extrahiert den Namen des Medikaments, die Dosierung und das Datum, an dem es aufgeschrieben wurde. Das bloße Auflisten dieser Erwähnungen reicht jedoch nicht aus, da Ärzte oft über ein Medikament schreiben, das sie vor Jahren abgesetzt haben oder das sie für die Zukunft in Erwägung ziehen. Um die tatsächlichen Zeiträume zu finden, in denen ein Patient ein bestimmtes Medikament aktiv eingenommen hat, verwendete das Team einen Change-Point-Detection-Algorithmus (Algorithmus zur Erkennung von Veränderungspunkten). Dieses Werkzeug betrachtet den Strom der Medikamentenerwähnungen und identifiziert die exakten Momente, in denen sich das Muster verschiebt, was signalisiert, dass eine Behandlung geendet hat und eine andere begonnen hat.
Die Forscher testeten dieses System an den elektronischen Gesundheitsakten von 12.530 Patienten, bei denen zwischen 2007 und 2017 Schizophrenie-Spektrum-Störungen diagnostiziert wurden. Sie verglichen die Zeitlinie des Computers mit 113 Behandlungsepisoden, die von menschlichen Experten sorgfältig markiert worden waren. Das System arbeitete mit hoher Genauigkeit und identifizierte in der großen Mehrheit der Fälle korrekt die Start- und Enddaten der Behandlungszeiträume. Nach der Validierung wandte das Team die Methode auf die gesamte Gruppe von Patienten an. Sie entdeckten 24.648 unterschiedliche Behandlungsepisoden und erstellten so eine detaillierte Karte darüber, wie diese Patienten über ein Jahrzehnt lang behandelt wurden. Die Analyse zeigte, dass viele Patienten zwar lange Zeit ein einzelnes Medikament einnahmen, ein erheblicher Teil jedoch komplexe Muster aufwies. In fast einem Drittel aller Behandlungsepisoden wurden Patienten gleichzeitig mit mehr als einem Antipsychotikum behandelt. Dies beinhaltete sowohl kurze Überschneidungen, bei denen Ärzte vorübergehend zwei Medikamente gaben, während sie von einem auf das andere umstellten, als auch längere Zeiträume, in denen mehrere Medikamente absichtlich zusammen verwendet wurden.
Die Studie deckte auch auf, wie diese Behandlungsmuster mit dem Bedarf der Patienten an Krankenhausversorgung zusammenhängen. Die Daten zeigten, dass Patienten, denen gleichzeitig mehrere Antipsychotika verschrieben wurden oder die viele verschiedene Behandlungsversuche unternahmen, bevor sie mit einem speziellen Medikament namens Clozapin begannen, eher stationär aufgenommen wurden und länger im Krankenhaus blieben. Umgekehrt neigten Patienten, die langwirksame injizierbare Versionen ihrer Medikamente erhielten – welche als Spritze statt als tägliche Tablette verabreicht werden –, dazu, weniger Krankenhausleistungen in Anspruch zu nehmen. Die Forscher fanden heraus, dass auch die spezifische Diagnose und der Hintergrund des Patienten eine Rolle spielten, wobei bestimmte Gruppen höhere Raten der Krankenhausnutzung aufwiesen. Die Fähigkeit, diese langfristigen Behandlungsgeschichten automatisch aus ungeordnetem Text zu rekonstruieren, bietet einen neuen Weg, um die Qualität der Versorgung zu überwachen. Es ermöglicht Gesundheitssystemen, in Echtzeit zu sehen, wenn sich die Verschreibungsgewohnheiten von den Leitlinien entfernen, und Patienten zu identifizieren, die von einer Änderung ihres Behandlungsplans profitieren könnten – und das alles, ohne dass ein Team von Menschen jede einzelne medizinische Notiz von Hand lesen muss.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.