gms | German Medical Science

Einleitung / Hintergrund: Eine Konsequenz der steigenden Vernetzung und Integration medizinischer Informationssysteme sind zum Teil überwältigend lange Dokumentlisten, die als Resultat einer Suche nach der medizinischen Dokumentation zu einem Patienten präsentiert werden. Ziel dieses Projektes war es, Ärztinnen und Ärzten des Instituts für Pathologie zusätzliche, aus den Befundtexten extrahierte Informationen direkt in der Dokumentliste zur Verfügung zu stellen, und ihnen so die Auswahl der im Rahmen der Diagnoseerstellung näher zu betrachtenden Befunde zu erleichtern. Zu diesem Zweck werden die Diagnosetexte der pathologischen Befunde automatisch bezüglich der Fragestellung „Text enthält Hinweis auf eine Entzündung oder Neoplasie“ klassifiziert und mit den entsprechenden Markierungen (Tags) versehen.

Material und Methoden: Gängige Ansätze zur Klassifikation von Dokumenten basieren auf Methoden des maschinellen Lernens oder auf einem für den jeweiligen Anwendungsbereich zugeschnittenen Regelwerk. Nach dem Test verschiedener Machine-Learning-Verfahren (aus dem WEKA-Toolkit [1]) wurde ein regelbasierter Ansatz gewählt, da – auf Grund der sehr spezifischen Aufgabenstellung – damit bessere Ergebnisse erzielt werden konnten. Das Regelwerk wurde in Zusammenarbeit mit Pathologen erstellt und basiert hauptsächlich auf Mustervergleichen mit Regular Expressions; die Erkennung von Verneinungen ist grob an NegEx [2] angelehnt. Als Grundlage für die Generierung und Überprüfung des Regelwerks sowie für den Vergleich mit anderen Verfahren diente eine aus rund 3000 Diagnosetexten bestehende Stichprobe, die aus den Datenbanken der Pathologie extrahiert und manuell klassifiziert wurde.

Ergebnisse und Diskussion: Mit dem regelbasierten Ansatz konnte bei der Klassifizierung von Befunden bezüglich der Merkmale Entzündung und Neoplasie ein F1-Measure von 0,98 erreicht werden. Die Klassifikationssoftware wurde in die zum Retrieval und zur Anzeige von Befunden verwendete Web-Anwendung AURAWeb [3] integriert und befindet sich an der Medizinischen Universität Graz im Einsatz. Die Befunde werden unmittelbar nach dem Retrieval klassifiziert (damit ist keine Änderung in den Datenbanken der Informationssysteme notwendig), die generierten Tags werden direkt in der resultierenden Dokumentliste angezeigt und als zusätzliche Sortier- und Filterkriterien angeboten.