KI erkennt Alkoholmissbrauch in Klinikakten mit 78 % Genauigkeit

Forscher nutzten Natural Language Processing und Machine Learning, um Alkoholmissbraucher aus Arztnotizen in elektronischen Gesundheitsakten zu identifizieren. In 78 % der Fälle konnte KI zwischen Trauma-Patienten mit und ohne Alkoholmissbrauch unterscheiden.

Unterschied zu aktuellen Screening-Methoden

Bis zu 10 % der Todesfälle in den USA auf Alkoholmissbrauch zurückzuführen, Rate stieg 2002–2012 um 9 %. Jeder 3. Trauma-Patient hat Alkoholmissbrauch.

Frühere Studien bewiesen: Jede traumatische Verletzung bietet einen «teachable moment». SBIRT-Programme (Screening, Brief Intervention, Referral to Treatment) in Traumazentren senkten Alkoholkonsum und Verletzungswiederholung um fast 50 %.

Forscher der Loyola University Health System demonstrierten nun: KI kann Trauma-Patienten mit Alkoholmissbrauch erkennen. Sie nutzten NLP und ML, um Missbraucher aus Arztnotizen in elektronischen Gesundheitsakten zu identifizieren.

Vorteile gegenüber bestehenden Methoden

Bestehende Screening-Methoden nutzen den 10-Fragen-AUDIT (Alcohol Use Disorders Identification Test), haben aber Nachteile: Erfordert neue Formulare/Prozesse in elektronischen Gesundheitsaktensystemen.

Manchmal sind Patienten bei Alkoholfragen nicht ehrlich – Testergebnisse nicht ganz echt. Zudem ist Personal für Implementierung und Administration ressourcen- und zeitintensiv.

NLP und ML-Algorithmen wurden erfolgreich in klinischer Praxis und Forschung eingesetzt. NLP-Techniken basieren auf überwachtem Lernen, das aktuelle Referenzstandards nutzt, um ungesehene Fälle vorherzusagen.

Referenz: American Medical Informatics Association Journal | doi:10.1093/jamia/ocy166 | Loyola University Health System

Neben Anbieterdokumentation nutzt der NLP-Klassifikator Proxy-Berichte, Labordaten, eingebettete Medikamente und zusätzliche Notizen anderer medizinischer Mitarbeiter, gesammelt innerhalb der ersten 24 Stunden.

In dieser Studie nutzten Forscher Daten von 1.422 erwachsenen Patienten, die über 3,5 Jahre im Loyola-Traumazentrum aufgenommen wurden. Daten enthielten über 91.000 Notizen in elektronischen Gesundheitsakten mit über 16.000 medizinischen Konzepten.

Ergebnisse

Sie nutzten Knowledge Extraction System und Clinical Text Analysis für linguistische Verarbeitung der Notizen. Dies half, 16 medizinische Konzepte zu identifizieren – darunter B1-Vitamin Thiamin, Marihuana, Leberbildgebung, Marihuana –, die Alkoholmissbrauch anzeigen. In 78 % der Fälle unterschied KI zwischen Patienten mit und ohne Alkoholmissbrauch.

Insgesamt bietet diese KI einen automatisierten Prozess, um Patienten- und Personalbarrieren für SBIRT-Programme in Gesundheitszentren zu überwinden. Für Traumazentren mit entsprechender Expertise erschwinglich.

Forscher erwähnten: Die linguistische Software und Open-Source-Programmierung dieser Studie wären für alle Nutzer kostenlos.