Validating Acute Coronary Syndrome ICD Codes as Training Labels for Clinical AI
Diese 10-jährige retrospektive Studie von fast 620.000 Notaufnahme-Kontakten validiert, dass die ICD-kodierten Labels für das Akute Koronarsyndrom zwar eine hohe Sensitivität und Spezifität aufweisen, ihr moderater positiver Vorhersagewert jedoch durch systematische, interpretierbare Fehler – primär später ausgeschlossene Verdachtsfälle oder Kodierunterlassungen – getrieben wird, was sie zu geeigneten Trainingslabels für KI-Screening-Modelle macht, bei denen das Übersehen einer Diagnose kritischer ist als eine Überidentifikation.
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 Notaufnahme ist Zeit die kritischste Ressource. Wenn ein Patient mit Brustschmerzen eintrifft, müssen Ärzte schnell entscheiden, ob er unter einem akuten Koronarsyndrom leidet – einem lebensbedrohlichen Zustand, bei dem der Blutfluss zum Herzen blockiert ist. Eine verpasste Diagnose kann tödlich enden, aber es ist unmöglich, bei jedem einzelnen Menschen, der durch die Tür tritt, eine vollständige Batterie von Herztests anzuordnen. Um dieses Problem zu lösen, setzen Krankenhäuser verstärkt auf künstliche Intelligenz. Diese Computerprogramme lernen, Gefahr zu erkennen, indem sie Millionen vergangener medizinischer Aufzeichnungen studieren und nach Mustern suchen, die dem menschlichen Auge entgehen könnten. Damit ein Computer jedoch korrekt lernt, benötigt er einen Lehrer, der die Wahrheit kennt. In der Welt der medizinischen Daten ist dieser Lehrer oft ein Abrechnungscode – ein kurzes, standardisiertes Label, das einem Patientenbesuch zur Handhabung von Versicherungen und Krankenhausbuchhaltung zugewiesen wird. Die große Frage, vor der Forscher stehen, ist, ob diese administrativen Labels genau genug sind, um einer Maschine beizubringen, Leben zu retten, oder ob sie zu viele Fehler enthalten, um ihnen zu trauen.
Ein Forschungsteam der Stanford University machte sich daran, diese Frage zu beantworten, indem es ein Jahrzehnt an Notaufnahmebesuchen untersuchte. Sie analysierten fast 620.000 Begegnungen mit Erwachsenen zwischen 2015 und 2024 und verglichen die den Patienten zugewiesenen Abrechnungscodes mit der tatsächlichen Enddiagnose, die vom behandelnden Ärzteteam erstellt wurde. Die Forscher wollten sehen, ob die computerlesbaren Codes mit den Schlussfolgerungen der menschlichen Ärzte übereinstimmten. Sie fanden heraus, dass die Abrechnungscodes für ihren beabsichtigten Zweck bemerkenswert zuverlässig waren. Wenn die Codes angaben, dass ein Patient eine Herzerkrankung hatte, bestätigten die Ärzte dies in 94 von 100 Fällen. Noch wichtiger war, dass die Codes einen echten Fall selten übersahen; sie versäumten es nur in 4 von 10.000 Besuchen, einen Patienten mit einer bestätigten Herzerkrankung zu erfassen. Das bedeutet, dass das System extrem gut darin ist, die Menschen zu finden, die Hilfe benötigen, was das wichtigste Ziel für ein Screening-Werkzeug ist.
Die Studie zeigte zwar auf, dass die Codes nicht perfekt waren, aber die Fehler folgten einem klaren und nachvollziehbaren Muster statt zufälligen Irrtümern. Wenn die Codes falsch lagen, lag es meistens daran, dass sie einen Patienten markierten, bei dem ein Herzinfarkt vermutet wurde, der aber später von den Ärzten als unbedenklich eingestuft worden war. In diesen Fällen wies der Patient Symptome auf, die sehr stark einem Herzinfarkt ähnelten, wie etwa eine Entzündung des Herzmuskels oder stressbedingte Herzprobleme, und das medizinische Team verbrachte Zeit damit, die gefährlichsten Möglichkeiten auszuschließen. Aus der Sicht einer künstlichen Intelligenz, die darauf ausgelegt ist, Gefahr zu erkennen, sind dies keine Fehler. Ein System, das diese Patienten markiert, stellt sicher, dass kein Mensch mit einer potenziellen Herzkrise übersehen wird, selbst wenn dies bedeutet, dass einige Menschen, die sich als gesund herausstellen, eine genauere Untersuchung erhalten. Die wenigen Male, in denen das System einen echten Herzinfarkt übersah, lag es daran, dass der Abrechner die Notizen des Arztes schlichtweg übersehen hatte, nicht weil die Diagnose unklar war.
Diese Ergebnisse legen nahe, dass die Verwendung von Abrechnungscodes zum Trainieren künstlicher Intelligenz eine solide Strategie für Notaufnahmen ist. Der Computer lernt, die breiten, dringenden Muster von Herzproblemen zu erkennen, einschließlich der Fälle, die sich als weniger schwerwiegend herausstellen, da die Kosten eines übersehenen echten Herzinfarkts weita viel höher sind als die Kosten eines zusätzlichen Tests bei jemandem, der gesund ist. Die Forscher bestätigten, dass die Fehler in den Daten systematisch und vorhersehbar sind, was bedeutet, dass sie beim Aufbau dieser Modelle berücksichtigt werden können. Durch die Nutzung dieser Codes können Krankenhäuser Werkzeuge entwickeln, die wie ein hochsensibles Sicherheitsnetz wirken und sicherstellen, dass die kritischsten Patienten sofort bei der Ankunft identifiziert werden. Die Studie kommt zu dem Schluss, dass auch wenn kein einzelner Datenpunkt fehlerfrei ist, die kollektive Genauigkeit dieser Codes ausreicht, um die nächste Generation lebensrettender Medizintechnik zu unterstützen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.