gms | German Medical Science

Einleitung: Die zeitnahe Terminvergabe für Neuvorstellungen in der rheumatologischen Praxis ist eine Herausforderung, die von digitalen Lösungen unterstützt werden kann.

Methoden: Wir analysierten die bei Erstvorstellungswunsch übermittelten Parameter, einschließlich klinischer Beschwerden und Laborbefunde. Nach deren Durchsicht wies ein erfahrener Rheumatologe je nach Einschätzung der Dringlichkeit/Wahrscheinlichkeit einer entzündlich-rheumatischen Erkrankung (ERE) einen Zeitrahmen für den Termin (≤6 Wochen, ≤3 oder >3 Monate) zu. Die Wartezeit zwischen der Anfrage und dem tatsächlich wahrgenommenen Termin wurde zwischen ERE und Nicht-ERE verglichen. Es wurde parallel ein Entscheidungsbaum (EB) aus dem Bereich des supervidierten Lernens/künstlichen Intelligenz (KI) erstellt. Um die Wartezeiten zu vergleichen, wurde bei KI-seitigem Verdacht auf eine ERE ein theoretischer Termin nach 60 Tagen angenommen, bei Nicht-ERE nach 120 Tagen. Anschließend wurden die Trefferrate sowie die simulierte und tatsächliche Wartezeit verglichen.

Ergebnisse: Insgesamt wurden zwischen 2021 und 2023 insgesamt 800 Erstvorstellungen (mittleres Patientenalter 53 Jahre (IQR: 39–63), darunter 69,4% Frauen) analysiert. Eine ERE wurde in 409 Fällen (51,1%) bestätigt (davon 193 mit rheumatoider Arthritis) mit einer Wartezeit von 58 Tagen, vs. 93 Tage bei Nicht-ERE (p<0,01, Tabelle 1 [Tab. 1]). Die eingereichten Informationen waren in vielen Fällen unvollständig. Insgesamt wurde das CRP in etwa 50%, die BSG in 31%, der Rheumafaktor (RF) in 27%, Anti-CCP in 34% und HLA-B27 in 4% angegeben. Bezüglich der Symptome gaben 65% ausdrücklich Schmerzen, 17% Gelenkschwellungen und 16% Gelenksteifigkeit an. Die Stratifizierung mit Hilfe des EB ergab eine Trefferrate von 67% und eine Verkürzung der Wartezeit um 19%. Die Trefferrate stieg auf 78%, sofern die Analyse auf Fälle mit vorhandenen Basislaborwerten beschränkt wurde. Eine Stratifizierung nur anhand von Laborwertangaben (CRP, RF, Anti-CCP und/oder HLA B27 positiv) führte zu einer deutlich geringeren Trefferrate von nur 62% und potenziellen Zeitersparnis (9%). Bei allen Instrumenten erwies sich die Sensitivität als deutlich geringer als die Spezifität.

Schlussfolgerung: Manuell gesichtete Informationen, die bei Überweisung in die Rheumatologie vorgelegt wurden, sind zwar zeit- und ressourcenaufwändig, aber für die Stratifizierung gut geeignet. Komplexe KI-gestützte Modelle erwiesen sich als nützlich, insbesondere wenn die Laborergebnisse vollständig waren und eine geringere Sensitivität akzeptabel ist.