gms | German Medical Science

Einleitung: Dekubitalulzera und Inkontinenz-assoziierte Dermatitis (IAD) werden aufgrund ihrer Ähnlichkeit in der klinischen Pflegepraxis häufig fehlklassifiziert [1]. Das Forschungsprojekt KIADEKU verfolgt das Ziel eine KI-unterstützenden App zur Differenzierung dieser Wundarten zu entwickeln. Zum Training der KI werden u.a. retrospektive Wunddaten aus den KIS-Systemen zweier deutscher Universitätskliniken verwendet. Vorgelagert sind Aufbereitungs- und Kurationsprozesse notwendig, um qualitativ hochwertige Trainingsdaten für die Entwicklung der KI zu generieren.

Methodik: Das methodische Vorgehen der Datenerhebung und –kuration erfolgte nach Willemink et al. [2]. Eingeschlossen wurden volljährige Patient*innen der Universitätskliniken mit IAD, Dekubitus oder sonstiger Wunden im Rumpfbereich. Aufgrund der vermuteten hohen Anzahl an Fehlklassifizierungen wurde ein sensitives Vorgehen gewählt. Dabei wurden zunächst alle vorhandenen Wundbilder ausgeleitet und danach durch Expert*innen nach Ein-/Ausschlusskriterien selektiert.

Ergebnisse: Als geeignete Datenquellen wurden fünf unabhängige Dokumentationssysteme mit unterschiedlicher Metadaten-Struktur identifiziert, wovon drei Systeme nach einer Machbarkeitsanalyse zur Datenextraktion ausgewählt wurden. Die Datenabfrage und -ausleitung hinsichtlich der Wundbilder, -merkmale und pflegerischer Zusatzinformationen erfolgte anhand eines definierten Minimal-Datasets. Es konnten insgesamt ca. 14.300 Bilder identifiziert und extrahiert werden, von denen nach manueller Prüfung hinsichtlich der Ein-/Ausschlusskriterien sowie der Qualität ca. 6550 Aufnahmen für das KI-Training als Trainingsdatensatz verwendet wurden. Vor dem Datentransfer der Bilder in die Annotationssoftware (Label Studio) erfolgte eine manuelle Anonymisierung. In zwei Dokumentationssystemen gestaltete sich da Matching der Wundbilder mit den dazugehörigen Merkmalen herausfordernd, da die Annotationsmerkmale nicht zeitlich mit dem Bild verknüpft waren. Da von einer hohen Anzahl an inkonsistenten und unvollständigen Datensätzen ausgegangen wurde, wurden alle im Bild erkennbaren Wundmerkmale von drei unabhängigen Experten annotiert. Zudem erfolgte eine manuelle Segmentierung der Merkmale Wundrand und Wundgrund. Lediglich nicht im Bild erkennbare Wund-/und pflegespezifische Daten (z.B. Inkontinenz) wurden anhand der extrahierten Daten aus den KIS-Systemen annotiert. Weitere Herausforderungen bei der Ausleitung waren Freitextfelder, sowie Änderungen im zeitlichen Verlauf durch Systemanpassungen. Zum Training der KI wurden letztendlich die konsentierten Experteneinschätzungen verwendet.

Diskussion: Das Ziel der dargestellten Vorgehensweise war die Erreichung einer hohen Datenqualität, sodass das KI-Modell in der Lage ist, zuverlässige Vorhersagen zu Treffen. Die manuelle Selektion der Bilddaten nach Ein-/Ausschlusskriterien und Qualität in zwei der drei Systemen, sowie die Annotierung und Segmentierung der Wundbilder durch drei Experten nahm einen hohen Ressourcenbedarf ein. Dies war jedoch zum einen aufgrund der Inkonsistenz und Unvollständigkeit der Datensätze, zum anderen durch die eingeschränkte Vergleichbarkeit der Metadatenstruktur und Interoperabilität der verschiedenen Dokumentationssysteme notwendig. Andere Verfahren könnten geprüft werden, die diesen Prozess unterstützen und möglicherweise ressourcenschonender gestalten.

Schlussfolgerung: Eine hohe Datenqualität ist für das Training einer KI von besonderer Bedeutung. Nehmen Preparations- und Kurationsprozesse einen großen zeitlichen und personellen Aufwand ein, werden Datensätze zu hohen Personalkosten produziert. Wichtig wäre zunächst die Standardisierung (z.B. SNOMED-CT) klinischer Wunddokumentationssysteme und Qualitätssicherungsmaßnahmen hinsichtlich der korrekten und vollständigen Wunddokumentation, um qualitativ hochwertige interoperable Datensätze zu generieren.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass ein positives Ethikvotum vorliegt.