Informationsextraktion aus klinischen Dokumenten zur Registermeldung
Das Projekt zielt darauf ab, den Prozess der Datenpopulation für klinische Register durch die Anwendung grosser Sprachmodelle (LLMs) zu automatisieren.
Steckbrief
- Beteiligte Departemente Technik und Informatik
- Institut(e) Institute for Patient-centered Digital Health (PCDH)
- Forschungseinheit(en) PCDH / AI for Health
- Förderorganisation Innosuisse
- Laufzeit 17.06.2024 - 31.12.2025
- Projektleitung Prof. Dr. Kerstin Denecke
- Partner ID Suisse AG
- Schlüsselwörter Künstliche Intelligenz, Large Language Model, Informationsextraktion
Ausgangslage
Dieses Projekt zielt darauf ab, den Prozess der Datenerfassung für klinische Register durch die Anwendung grosser Sprachmodelle (LLM) zu automatisieren. Derzeit sind 116 Register im Schweizerischen Forum der klinischen Register vertreten, das von der FMH, der Schweizerischen Ärztekammer, verwaltet wird. Registerdaten sind für die Qualitätssicherung unerlässlich (z. B. das Register für Implantate SIRIS), einschliesslich der Verfolgung von unerwünschten Ereignissen und Ergebnissen sowie der Identifizierung von Behandlungslücken. Diese und ähnliche Anwendungsfälle erfordern vollständige und qualitativ hochwertige Daten, die in Registern verfügbar sind. Herkömmliche Methoden zur Extraktion klinischer Daten aus Routinedaten und Krankenhausinformationssystemen beinhalten das manuelle Kopieren und Einfügen von Daten, ein zeitaufwändiger und fehleranfälliger Prozess, der zu inkonsistenten und unvollständigen Daten führt. Unser Ansatz zielt darauf ab, diesen Prozess zu automatisieren, indem wir fortschrittliche Algorithmen zur Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) entwickeln, die in der Lage sind, relevante klinische Informationen aus unstrukturiertem Text in medizinischen Aufzeichnungen genau zu analysieren und zu extrahieren.
Vorgehen
Im Projekt wurden verschiedene LLM-basierte Ansätze untersucht und weiterentwickelt, um strukturierte Informationen aus unstrukturierten klinischen Dokumentationen automatisiert zu extrahieren und für die Befüllung klinischer Register nutzbar zu machen. Hierzu wurden geeignete Extraktionsstrategien entwickelt, hinsichtlich ihrer Qualität evaluiert und für unterschiedliche Registerfelder optimiert. Ergänzend wurde analysiert, inwieweit die entwickelten Methoden auf weitere Register und klinische Anwendungsfälle übertragbar sind. Zudem wurden technische und organisatorische Aspekte der Skalierbarkeit untersucht, um Anforderungen für einen zukünftigen produktiven Einsatz und die langfristige Weiterentwicklung der Lösung abzuleiten.
Ergebnisse
Im Rahmen des Projekts konnte die technische Machbarkeit einer LLM-basierten Unterstützung bei der Befüllung klinischer Register erfolgreich nachgewiesen werden. Die entwickelten Verfahren ermöglichten die automatisierte Extraktion relevanter klinischer Informationenaus unstrukturierten Texten und deren Zuordnung zu strukturierten Registerfeldern. Die durchgeführte Evaluation zeigte, dass moderne LLMs ein hohes Potenzial zur Unterstützung der Registerdokumentation besitzen und relevante Informationen mit ausreichender Qualität und Nachvollziehbarkeit identifizieren können.
Ausblick
Die im Projekt gewonnenen Erkenntnisse bilden die Grundlage für die Weiterentwicklungeiner skalierbaren Lösung zur automatisierten Registerbefüllung. Künftige Arbeiten sollen sich auf die Integration in bestehende Dokumentations- und Registerprozesse, die Erweiterung auf zusätzliche Registertypen sowie die kontinuierliche Verbesserung der Extraktionsqualität konzentrieren. Langfristigbesteht das Potenzial, den manuellen Dokumentationsaufwand zu reduzieren, die Aktualität und Qualität von Registerdaten zu verbessern und die Verfügbarkeit strukturierter klinischer Informationen für Forschung, Qualitätssicherung und Gesundheitsversorgung zu erhöhen.
