Unstrukturierte Daten für eine strukturierte Versorgung
Das Generieren von Gesundheitsdaten ist über vielfältige Wege möglich. Neben den durch Patienten erzeugten Daten über Apps, Wearables o.ä. (1), sind besonders Freitext-Aufzeichnungen medizinischen Personals interessant. So erstreckt sich die Bandbreite relevanter Informationen über das Kodieren von Diagnosen hinaus und lässt eine Masse an Daten entstehen. Eine Verwendung dieser, zum Entstehungszeitpunkt noch unstrukturierten, Daten birgt speziell in der Diagnostik potenziell Chancen, den weiteren Versorgungsprozess und somit Therapieverlauf positiv zu beeinflussen.
Relevant wird in diesem Kontext die Frage: Welchen Mehrwert generiert die Extraktion und Aufbereitung unstrukturierter Gesundheitsdaten in der klinischen Diagnostik? Zu diesem Zweck müssen Daten in strukturiert erfasste Informationen zusammengeführt werden. Zum Einsatz kommen hier digitale Auswertungsmethoden, um die generierten Gesundheitsdaten in den Versorgungsprozess zu integrieren (2).
Medizinische Veränderungen identifizieren
Eine Veränderung des Gesundheitszustandes schnellstmöglich zu identifizieren, ist im Patientenkontakt von höchster Priorität. Hieraus resultiert eine Verbesserung der Patientensicherheit und eine Senkung von Mortalitätsraten. Unstrukturierten Freitextnotizen aus Quellen von Leistungserbringern oder des Pflegepersonals kann hierbei große Bedeutung für den Behandlungsprozess bzw. die Einschätzung einer Verschlechterung des Gesundheitszustandes zukommen (3).
Eine digitale Datenaufbereitung dieser Notizen durch beispielsweise Natural Language Processing (NLP) beschreibt den ersten Schritt der Strukturierung. Notizen können nicht ohne Weiteres von herkömmlichen statistischen Methoden erfasst und für die Versorgung ausgewertet werden. Vorab ist eine Kategorisierung sowie Übersetzung in Zahlenwerte notwendig. Teil der Methodik ist die Reduktion und Konzeptualisierung bzw. Kategorisierung der zu integrierenden Daten. So können Freitextnotizen exemplarisch Symptomen zugeordnet werden (3). Mithilfe definierter Algorithmen werden auf diese Weise im klinischen Setting bereits heute Notizen, Einschätzungen von Laborergebnissen oder Diagnosen in Frühstadien digital zugänglich gemacht (4, 5).
Integration unstrukturierter Daten in die klinische Versorgung
Zum Schutz der Patientensicherheit wird bisher der strukturierten Dokumentation aus Patientenakten viel Aufmerksamkeit gewidmet. Jedoch enthalten unstrukturierte Freitexteingaben durch medizinisches Personal zusätzlich relevante Informationen, die es zu berücksichtigen gilt (3). Individuelle Muster und ergänzende Daten zum Befinden von Patienten, welche im normalen Diagnose- und Behandlungsprozess unentdeckt blieben, können identifiziert und in Relation zur jeweiligen Diagnose und Prognose gesetzt werden. Einem Informationsverlust und somit einem Eintreten akuter kritischer Verläufe wird vorgebeugt (4, 5). Die Zahl dokumentierter Fehlbehandlungen ist prozentual an den Gesamtversorgten gering, im stationären Setting und besonders im Bereich der Diagnostik – zum einen bildgebende Verfahren, zum anderen Anamnese/Untersuchung – befindet sich die Zahl der Fehlbehandlungen jedoch im oberen Drittel der Fälle (6).
Abgesehen vom akutmedizinischen Patientenmonitoring kann auch die Diagnose chronischer Erkrankungen von einer Integration unstrukturierten Freitextes profitieren. Beispielsweise liegen Risikofaktoren für Alzheimererkrankungen größtenteils im Bereich der Lebensstil- und Alltagsfaktoren von Patienten. Diese können, zusätzlich zur herkömmlichen Patientenbefragung, über die Auswertung medizinischer Freitext-Dokumentation erfasst werden. Dies wiederum erlaubt Versorgern im klinischen Setting effektiver und differenzierter zu diagnostizieren und zu behandeln (4). Der Krankheitsverlauf kann positiv beeinflusst werden, indem Notizen des Klinikpersonals tieferliegende Informationen preisgeben (5).
Eine derzeitige Limitation liegt in der fehlerhaften semantischen Analyse, sobald in medizinischen Freitextnotizen Zahlenwerte enthalten sind. Ein einheitlicher Standard im Verfassen von Notizen könnte Barrieren der automatisierten Nutzbarmachung senken, das Etablieren einer praktikablen Umsetzung stellt jedoch gleichzeitig eine neue Hürde dar(3). Aktuell stellt auch das Verknüpfen elektronischer Patientenakten zur Akquise zusätzlicher elektronischer Daten sowie zur Validierung erster methodischer Ergebnisse ist gleichermaßen herausfordernd (1, 5)
Interdisziplinäre Arbeit kann Umsetzung erleichtern
Aufgrund unterschiedlicher Anwendungsmöglichkeiten sind existierende methodische Ansätze oft nicht vergleichbar und müssen als derzeitige Inselprojekte ausgebaut und an die Versorgungsforschung angepasst werden (3). Ein möglicher Ansatzpunkt könnte deshalb sein, stations- oder fallbezogene Pilotanalysen in der klinischen Versorgung durchzuführen, um Praktikabilität und Outcome der potenziellen Entscheidungshilfe zu erleben. Hierfür muss vermehrt auf interdisziplinäre Zusammenarbeit und Integration fachfremder Disziplinen hingearbeitet werden. Um von zusätzlichen Gesundheitsdaten zu profitieren, muss IT-Wissen direkt in Kliniken angesiedelt werden. Unstrukturierte Daten sollten nicht ungenutzt bleiben, sondern zur Diagnoseunterstützung beitragen.
Fazit
Zusätzliche, in die stationäre Versorgung integrierte Daten heben Potenziale, um im Behandlungsprozess als „stiller Beobachter“ ergänzend eingesetzt zu werden und diesen um eine digitale Methode zur Prozessoptimierung zu erweitern. Dies ermöglicht Leistungserbringern, potenzielle Beobachtungs- und Anamneselücken zu schließen sowie Fehl- und Mehrfachbehandlungen zu vermeiden. Patienten, welche im Idealfall qualitativ wertigere Kontakte mit ihren behandelnden Ärzten haben, profitieren von umfassenderen Diagnose- und Therapieprozessen.
Quellen
- Merchant RM, Asch DA, Crutchley P, Ungar LH, Guntuku SC, Eichstaedt JC, et al. Evaluating the predictability of medical conditions from social media posts. PLoS One. 2019;14(6):e0215476. 10.1371/journal.pone.0215476 zum Original
- Dreisbach C, Koleck TA, Bourne PE, Bakken S. A systematic review of natural language processing and text mining of symptoms from electronic patient-authored text data. Int J Med Inform. 2019;125:37-46. 10.1016/j.ijmedinf.2019.02.008 zum Original
- Korach ZT, Yang J, Rossetti SC, Cato KD, Kang MJ, Knaplund C, et al. Mining clinical phrases from nursing notes to discover risk factors of patient deterioration. Int J Med Inform. 2020;135:104053. 10.1016/j.ijmedinf.2019.104053 zum Original
- Zhou X, Wang Y, Sohn S, Therneau TM, Liu H, Knopman DS. Automatic extraction and assessment of lifestyle exposures for Alzheimer’s disease using natural language processing. Int J Med Inform. 2019;130:103943. 10.1016/j.ijmedinf.2019.08.003 zum Original
- Van Vleck TT, Chan L, Coca SG, Craven CK, Do R, Ellis SB, et al. Augmented intelligence with natural language processing applied to electronic health records for identifying patients with non-alcoholic fatty liver disease at risk for disease progression. Int J Med Inform. 2019;129:334-41. 10.1016/j.ijmedinf.2019.06.028 zum Original
- Bundesärztekammer. Statistische Erhebung der Gutachterkommissionen und Schlichtungsstellen für das Statistikjahr 2018. 2018. zum Original
