PatientGuard
Das Projekt erforscht, wie und mit welcher Qualität mittels LLM-basierter Methoden relevante Informationen aus klinischen Dokumenten extrahiert werden können zur Vorhersage und Prävention von Spitalinfektionen.
Steckbrief
- Beteiligte Departemente Technik und Informatik
- Institut(e) Institute for Patient-centered Digital Health (PCDH)
- Forschungseinheit(en) PCDH / AI for Health
- Förderorganisation Innosuisse
- Laufzeit 04.11.2024 - 31.03.2026
- Projektleitung Prof. Dr. Kerstin Denecke
- Projektmitarbeitende Prof. Daniel Reichenpfader
- Partner MedNota GmbH
- Schlüsselwörter Künstliche Intelligenz, Large Language Model, Informationsextraktion
Ausgangslage
Spitalinfektionen stellen weltweit eine grosse Herausforderung für die Gesundheitssysteme dar. Sie schaden den Patient:innen, erhöhen die Gesundheitskosten und verlängern die Krankenhausaufenthalte. 5,9 % der Patient:innen in der Schweiz leiden an einer Spitalinfektion. Bis zu 50% dieser Fälle können durch gezielte Massnahmen verhindert werden. Das Bundesamt für Gesundheit (BAG) will deshalb die Bevölkerung wirksamer schützen, d.h. die Zahl der Infektionen und die damit verbundenen Langzeitfolgen und Todesfälle reduzieren. Spitalinfektionen lassen sich durch die Analyse von Daten aus der elektronischen Patientenakte erkennen oder vorhersagen. In Spitälern wird jedoch eine beträchtliche Menge infektionsbezogener Daten in unstrukturierten Formaten gespeichert, z. B. in PDF-Berichten (z. B. Operationsberichte, Laborergebnisse) oder klinischen Notizen (handschriftlich oder elektronisch). Diese Dokumente enthalten wertvolle Erkenntnisse, aber die manuelle Extraktion der relevanten Informationen ist zeitaufwändig und führt oft dazu, dass Infektionsrisiken übersehen werden. Wir wollen Open Source anwenden Large Language Models (LLMs) wie Llama 3.2 einsetzen, um diese unstrukturierten Daten zu verarbeiten, zu analysieren und aus diesen unstrukturierten Datenquellen aussagekräftige Informationen über Spitalinfektionen zur Vorhersage und Prävention extrahieren.
Vorgehen
Im Projekt wurde ein prototypisches, LLM-basiertes System zur Unterstützung der CLABSI-Überwachung konzipiert und entwickelt. Dazu wurden klinische Dokumentationen, infektiologische Konsile und weitere unstrukturierte Textquellen analysiert, um relevante Informationen gemässCDC/NHSN-Standards automatisch zu verarbeiten. Hierfür wurden Verfahren zur Dokumentenkonvertierung, Informationsextraktion, Zusammenfassung und Klassifikation implementiert sowie ein zentrales Prompt-Management und eine standardisierte Evaluationsumgebung aufgebaut. Die entwickelten Methoden wurden anhand eines kuratierten Datensatzes aus klinischen Fällen evaluiert.
Ergebnisse
Im Rahmen des Projekts entstand mit PatientGuard ein funktionsfähiger Prototyp zur automatisierten Analyse klinischer Dokumentationen. Das System kann CLABSI-relevante Indikatoren wie Fieber, Schüttelfrost, Hypotonie, Neutropenie oder sekundäre Infektionen extrahieren und Verdachtsfälle gemäss CDC/NHSN-Kriterien klassifizieren. Zudem wurden eine modulare REST-API, ein Prompt-Management auf Basis von Langfuse, eine PDF-zu-Markdown-Konvertierung sowie einEvaluationsframework entwickelt. Die durchgeführten Analysen zeigen das Potenzial von LLM-basierten Ansätzen zur Unterstützung der Infektionssurveillance.
Ausblick
Die im Projekt geschaffenen Grundlagen sollen in einem nächsten Schritt durch die Evaluation auf grösseren Datensätzen erweitert werden. Zudem ist die Weiterentwicklung der Extraktions- und Klassifikationsverfahren sowie die Integration der Lösung in bestehende Systeme zurInfektionssurveillance vorgesehen. Die gewonnenen Erkenntnisse bilden darüber hinaus die Grundlage für wissenschaftliche Publikationen und die Übertragung des Ansatzes auf weitere klinische Anwendungsfälle.
