Artikel
Entwicklung eines unterstützenden Systems zur Befundanalyse und Versorgungsverbesserung bei Patienten mit Psoriasis Arthritis und axialer Spondylarthritis mithilfe von Künstliche Intelligenz- und Natural Language Processing-Methoden
Suche in Medline nach
Autoren
Veröffentlicht: | 31. August 2022 |
---|
Gliederung
Text
Einleitung: Bis heute sind Diagnose und Behandlung von Psoriasis Arthritis (PsA) und axiale Spondyloarthritis (axSpA) häufig zeitlich verzögert, da es keine klaren Diagnosekriterien gibt und die Zuweisung zum Rheumatologen limitiert ist [1]. Zuweisende Ärzte wie Allgemeinärzte, Dermatologen oder Orthopäden übernehmen meist bei Symptombeginn die Erstversorgung. Erst im späteren Verlauf werden die Patienten an Fachrheumatologen überwiesen [2]. Klinische Merkmale wie Morgensteifigkeit (MST; peripher oder axial, >30 min) sind dabei Hinweise für inflammatorische Prozesse. Hierbei können Künstliche Intelligenz- (KI) und Natural Language Processing- (NLP) Methoden Möglichkeiten bieten, Algorithmen auf eine Erkennung von spezifischen Frühmerkmalen zu trainieren und dazu beitragen, die gezielte Patientenversorgung zu beschleunigen.
Methoden: In einer multizentrischen Studie wurden Patienten eingeschlossen, die von einem zuweisenden Arzt die Verdachtsdiagnose PsA oder axSpA erhalten haben und rheumatologisch erstmals vorstellig wurden. Die Befunde, ergänzenden Erhebungen und die finale rheumatologische Diagnose werden pseudonymisiert gesammelt und durch Rheumatologen gezielt auf Diagnosekriterien zu beiden Erkrankungen evaluiert (Goldstandard der Evaluation). Mithilfe von NLP-Modellen werden aus den unstrukturierten Befundtexten der Patienten diagnoserelevante Hinweise zur Morgensteifigkeit herausgefiltert und der Kontext bewertet, um beispielsweise Negationen zu berücksichtigen.
Ergebnisse: Die Auswertungskohorte umfasst 116 Patienten (73 Frauen, 63%) mit einem medianen Alter von 42 (IQE: 34–54). Davon wurde bei 51 Patienten (44%) axSpA und bei 60 Patienten (52%) PsA als Verdachtsdiagnose von einem zuweisenden Arzt gestellt, in 77% der Fälle wurde die Verdachtsdiagnose bestätigt. Bei 92,9% der Patienten wurde eine MST dokumentiert, nur 7,1% der Patienten hatten keine MST. In 82,7% der Fälle wurde MST durch die KI in den Patientenbefunden erkannt, auch 75% (6 von 8) der negierten MST-Formulierungen wurden durch die NLP-Methoden korrekt erkannt. Ebenso hat das Algorithmussystem keine falsch positiven Treffer: 17 von 20 Befunden waren ohne Erwähnung der MST, in den restlichen drei wurde lediglich ein unspezifisches, morgendliches Unwohlsein dokumentiert.
Schlussfolgerung: Die angewandten NLP-Methoden zeigen gute Ergebnisse bei der Extraktion von MST und werden für weitere Arbeiten zur automatisierten Befundanalyse herangezogen, um Patienten mit entzündlichen Anzeichen zu identifizieren und deren rheumatologische Versorgung zu beschleunigen.
Offenlegungserklärung: None declared.
Literatur
- 1.
- Zink A, Braun J, Gromnica-Ihle E, Krause D, Lakomek HJ, Mau W, Müller-Ladner U, Rautenstrauch J, Specker C, Schneider M. Memorandum der Deutschen Gesellschaft für Rheumatologie zur Versorgungsqualität in der Rheumatologie – Update 2016. Z Rheumatol. 2017 Apr;76(3):195-207. DOI: 10.1007/s00393-017-0297-1
- 2.
- Westhoff G, Edelmann E, Kekow J, Zink A. Diagnosespektrum, Behandlungsindikation und Symptomdauer von Erstzuweisungen zum Rheumatologen. Z Rheumatol. 2010 Dec;69(10):910-8. DOI: 10.1007/s00393-010-0715-0