In Zusammenarbeit von Dedalus HealthCare und dem Institut für Anästhesiologie am Herz und Diabeteszentrum NRW, einem Universitätsklinikum der Ruhr-Universität Bochum in Bad Oeynhausen, entstand eine Studie zum Einsatz der Lösung clinalytix in vier Krankenhäusern.

Zusammenfassung

Ziel: Die Verwendung von Machine learning-Algorithmen für die Vorhersage von akuten Ereignissen in klinischen Anwendungen ist schon sehr verbreitet. Während die meisten dieser Vorhersage-Lösungen dafür entwickelt wurden, das Risiko eines bestimmten akuten Ereignisses vorherzusagen, gab es bisher noch wenige Versuche, die Verwendung dieser Modelle auszuweiten und für andere Ereignisse oder andere Krankenhäuser zu nutzen. Wir bieten eine skalierbare Lösung an, mit der Risiko-Vorhersage-Modelle für unterschiedliche Krankheiten und verschiedene elektronische Patientenakten erstellt werden können.

Material und Methoden: Wir definierten einen spezifischen Entwicklungsprozess für klinische Risiko-Vorhersage-Modelle und ein Kalibirierungs-Tool für die automatisierte Erstellung. Diesen Modell-Kalibrierungs-Prozess führten wir in vier Krankenhäusern ein und erstellten damit jeweils Risiko-Vorhersage-Modelle für die drei Erkrankungen Delirium, Sepsis und akutes Nierenversagen.

Ergebnisse: Die Risiko-Vorhersage-Modelle für Delirium erreichten Werte (AUROC*) von durchschnittlich 0,82 bei Aufnahme und 0,95 bei Entlassung unter der Grenzwertoptimierungskurve auf Basis der Testdaten der vier Krankenhäuser.

Bei Sepsis betrugen die Werte (AUROC*) durchschnittlich 0,88 bei Aufnahme und 0,95 bei Entlassung, bei akutem Nierenversagen 0,85 bei Aufnahme und 0,92 bei Entlassung.

Diskussion: Die Skalierbarkeit, die in diesem Artikel diskutiert wird, basiert auf dem Aufbau von Datendarstellungen mit syntaktischer Kompatibilität aus den elektronischen Patientenakten in den verschiedenen Krankenhäusern.

Die semantische Kompatibilität, die die wesentlich herausforderndere Anforderung beinhaltet, dass die Daten in den elektronischen Krankenakten auch die gleiche Aussage beinhalten, wie z.B. das gleiche Labor-Kodiersystem, wird mit diesem Ansatz nicht verfolgt.

Schlussfolgerung: Diese Studie beschreibt eine Methode, wie Risiko-Vorhersage-Modelle skalierbar entwickelt werden können. Sie zeigt, dass dieser Ansatz für drei Krankheiten in vier verschiedenen Krankenhäusern umsetzbar ist.

*AUROC: Area under the ROC – https://de.wikipedia.org/wiki/ROC-Kurve