Digitale Gesundheitsakten und maschinelles Lernen führen zur Entscheidungsunterstützung in Krankenhäusern
Ali Ebrahimi arbeitet als Postdoktorand an der SDU, Health Informatics and Technology. Er ist Informatiker und sein Forschungsgebiet ist klinisches maschinelles Lernen zur Entwicklung von Vorhersagemodellen für gesundheitsbezogene Probleme.
Ali analysierte digitale Patientenakten, um Alkoholmissbaruch (AUD) frühzeitig zu erkennen. AUD verursacht eine erhebliche Anzahl an Todesfällen und Verletzungen. Die meisten Personen, die an AUD leiden, werden während ihrer Sucht nie fachärztlich behandelt. Das liegt zum einen an schlechten Leistung herkömmlicher AUD-Identifizierungsmethoden, des Fehlens eines systematischen Screenings auf Alkoholprobleme und des Tabus und Stigmas, das mit Alkoholmissbrauch verbunden ist. Die jüngste Verfügbarkeit großer Mengen elektronischer Patientenakten (EHR), mit den Entlassungsdaten von Patienten, und die Weiterentwicklung von Algorithmen für maschinelles Lernen (ML) haben es jedoch einfacher gemacht, Hilfe bei der Entscheidungsfindung anzubieten. Daher verwendete die Studie die EHRs von Patienten, um Vorhersagemodelle zur Identifizierung und Erkennung von Patienten mit AUD zu entwickeln. Ali und die anderen beteiligten Wissenschaftler sammelten die EHRs von 2.551 AUD-positiven und AUD-negativen Patienten des Odense University Hospital.
Anette Søgaard Nielsen looks at the benefits of the project for patients
Anette ist Professorin und arbeitet am Institute of Clinical Research der SDU. Zusammen mit Kollegen forscht Anette Søgaard Nielsen in Psychiatrie und Suchtmedizin.
Alis Studie ist für sie von Bedeutung, weil die Lebensweise der Patienten das Erkrankungsrisiko und die Behandlungsprognose beeinflusst. Dies gilt insbesondere für Rauchen und Alkoholkonsum, die beide für Krankheiten und vermeidbare Todesfälle verantwortlich sind. Daher soll das Krankenhauspersonal die Patienten im Allgemeinen darüber informieren, was sie selbst beitragen können, um gesund zu werden. Dies ist sehr wichtig, wenn die Patienten sich nicht bewusst sind, dass sie eine Gewohnheit haben, die zu ihrer Krankheit führt oder diese beeinflusst, oder wenn sie nicht wissen, wo sie Hilfe suchen können, um Gewohnheiten zu ändern. In letzterem Fall berät und überweist das Personal den Patienten an entsprechende Organisationen für eine weiterführende Behandlung. Das Krankenhauspersonal fühlt sich sicher, wenn es mit dem Patienten über die Auswirkungen des Rauchens auf die Gesundheit spricht. Leider sprechen Mitarbeiter aus Angst vor Stigmatisierung das Thema Alkohol viel zurückhaltender an. Qualitative Studien haben gezeigt, dass sich das Gesundheitspersonal unsicher fühlt und ziemlich sicher sein möchte, dass der Alkoholkonsum der Patienten wirklich problematisch ist, bevor sie ein Gespräch über die Vorteile einer Reduzierung des Alkoholkonsums beginnen. Daher werden die Patienten oft nicht darüber aufgeklärt, wie sie alkoholbedingten Erkrankungen und erneuten Krankenhauseinweisungen vorbeugen können. Sie werden nicht zur Behandlung von Alkoholmissbrauch überwiesen, selbst wenn sie es nötig haben.
Jede Verringerung des übermäßigen Alkoholkonsums wirkt sich positiv auf die Gesundheit und andere Krankheiten aus. Eine späte Diagnose führt zu vermeidbaren Todesfällen und schweren Erkrankungen, insbesondere Herz-Kreislauf-Erkrankungen, Lebererkrankungen und Krebs.
Die Zusammenarbeit
Dieses Projekt war ein interdisziplinäres Projekt zwischen Computeringenieuren und klinischen Alkoholforschern. Es wurden zahlreiche Treffen abgehalten, um die Natur von AUD, die Verfügbarkeit von EHRs und die erwarteten Ergebnisse zu verstehen. Die Treffen waren notwendig, um Vertrauen aufzubauen und ein Verständnis für die Ausgangsproblematik und ihre Herausforderungen bei der Entwicklung der Algorithmen zu generieren.
Darüber hinaus wurden alle Algorithmen mit modernsten Bewertungs- und Validierungstechniken getestet. Der abschlieβende Test erfolgt dann, wenn das Gesundheitspersonal die Algorithmen in realen Situationen ausprobiert.
Vorteil der datengestützten Entscheidungshilfe
Eine datengestützte Entscheidungsunterstützung kann dem Personal nur dabei helfen, sich bewusst zu machen, dass übermäßiger Alkoholkonsum ein erschwerender Faktor sein kann, und das Personal daran erinnern, ein Gespräch mit dem Patienten zu führen und bei Bedarf Hilfe anzubieten. Es ist kein Hilfsmittel, um dem Patienten eine zusätzliche Diagnose zu stellen.
Unsere derzeit entwickelten Modelle können AUD-positive und AUD-negative Patienten mit einer Genauigkeit von 93 % mithilfe des Random-Forest-Algorithmus erkennen. Auf der anderen Seite haben wir Modelle entwickelt, die neuronale Netzwerkalgorithmen zur Früherkennung von gefärdeten Trinkern mit einer Gesamtgenauigkeit von 87 % – 89 % 18 Monate vor AUD erkennen.
Daten zu sammeln bleibt schwierig
Ali sieht die Hauptschwierigkeit in der Datenerfassung. Im Beispiel wurde sie dadurch gelöst, dass sie sich an das OUH-Datenzentrum wandten ( Odense Universitäts Krankenhaus). Es ist notwendig, in einem solchen Prozess standhaft zu bleiben und weiterzumachen.
Mehr Interaktion zwischen Kliniken und Forschern würde wahrscheinlich das Verständnis von Problemen verbessern und zu mehr innovativen Lösungen führen.
