Tiefe neuronale Netze sind vielversprechend für die Vorhersage zukünftiger Selbstverletzungen auf der Grundlage klinischer Aufzeichnungen

Nach Angaben der American Foundation for Suicide Prevention ist Selbstmord die zehnthäufigste Todesursache in den USA, wobei 2018 über 1,4 Millionen Selbstmordversuche verzeichnet wurden. Obwohl wirksame Behandlungen für gefährdete Personen zur Verfügung stehen, haben Kliniker keine zuverlässige Möglichkeit, vorherzusagen, welche Patienten wahrscheinlich einen Suizidversuch unternehmen werden.

Forscher der Medical University of South Carolina und der University of South Florida berichten in JMIR Medical Informatics, dass sie wichtige Schritte zur Lösung des Problems unternommen haben, indem sie einen Algorithmus mit künstlicher Intelligenz entwickelt haben, der auf der Grundlage der Informationen in den klinischen Aufzeichnungen in der elektronischen Gesundheitsakte automatisch Patienten mit hohem Risiko einer vorsätzlichen Selbstverletzung identifizieren kann.

Die Studie wurde von Jihad Obeid, M.D., Co-Direktor des MUSC Biomedical Informatics Center, und Brian Bunnell, Ph.D., geleitet, der früher am MUSC tätig war und derzeit Assistenzprofessor in der Abteilung für Psychiatrie und Verhaltensneurowissenschaften an der University of South Florida ist.

Das Team verwendete komplexe künstliche neuronale Netze, eine Form der künstlichen Intelligenz, die auch als Deep Learning bekannt ist, um unstrukturierte Textdaten in der elektronischen Gesundheitsakte zu analysieren. Deep-Learning-Methoden verwenden schrittweise Schichten von künstlichen Netzen, um aus rohen Eingabedaten mehr Informationen zu extrahieren. Das Team hat gezeigt, dass diese Modelle, sobald sie trainiert sind, Patienten identifizieren können, bei denen das Risiko einer vorsätzlichen Selbstverletzung besteht.

„Diese Art von Arbeit ist wichtig, weil sie die neuesten Technologien nutzt, um ein wichtiges Problem wie Selbstmord anzugehen und Risikopatienten zu identifizieren, damit sie an ein geeignetes Management verwiesen werden können“, sagte Obeid.

Bislang haben sich die Forscher bei der Identifizierung und Vorhersage von Risikopatienten in erster Linie auf strukturierte Daten in der elektronischen Gesundheitsakte verlassen. Strukturierte Daten sind tabellarische Informationen, die im Rahmen der klinischen Versorgung in bestimmte Felder der elektronischen Patientenakte eingegeben wurden. Wenn Ärzte beispielsweise Diagnosen stellen und ICD-Codes (International Classification of Disease) zuweisen, erstellen sie strukturierte Daten. Diese Art tabellarischer, strukturierter Daten ist für Computerprogramme leicht zu analysieren.

Doch 80 bis 90 % der relevanten Informationen in der elektronischen Patientenakte sind im Textformat gefangen. Mit anderen Worten: Die klinischen Aufzeichnungen, Verlaufsberichte, Pflegeplanaufzeichnungen und andere erzählende Texte in der elektronischen Patientenakte stellen eine enorme ungenutzte Ressource für die Forschung dar. Obeids Studie ist einzigartig, weil sie tiefe neuronale Netze verwendet, um klinische Notizen in der elektronischen Patientenakte zu „lesen“ und Patienten mit einem Risiko für Selbstverletzungen zu identifizieren und vorherzusagen.

Nach der Ethikprüfung und der Genehmigung des Forschungsvorhabens durch das Institutional Review Board des MUSC begann Obeid mit der Identifizierung von Patientendatensätzen im Zusammenhang mit ICD-Codes, die auf vorsätzliche Selbstverletzungen hinweisen, im Forschungsdatenlager des MUSC. Dieses Datenlager, das mit Unterstützung des South Carolina Clinical & Translational Research Institute eingerichtet wurde, bietet Forschern des MUSC Zugang zu elektronischen Patientendaten, sofern sie die erforderlichen Genehmigungen erhalten haben.

Um ein reales Szenario zu simulieren, teilten Obeid und sein Team die klinischen Aufzeichnungen in zwei Zeitkategorien ein: Aufzeichnungen aus den Jahren 2012 bis 2017, die für das Training der Modelle verwendet wurden, und Aufzeichnungen aus den Jahren 2018 bis 2019, die zum Testen der trainierten Modelle verwendet wurden. Zunächst untersuchten sie die klinischen Aufzeichnungen, die während des Krankenhausbesuchs gemacht wurden, bei dem der ICD-Code zugewiesen wurde. Anhand dieses Trainingsdatensatzes „lernten“ die Modelle, welche Sprachmuster in den klinischen Notizen der elektronischen Krankenakten der Patienten mit der Zuweisung eines ICD-Codes für vorsätzliche Selbstverletzung verbunden waren. Sobald die Modelle trainiert waren, konnten sie diese Patienten allein aufgrund ihrer Analyse des Textes in den Krankenakten mit einer Genauigkeit von 98,5 % identifizieren. Experten überprüften manuell eine Teilmenge der Aufzeichnungen, um die Genauigkeit des Modells zu bestätigen.

Als Nächstes testete das Team, ob das genaueste der Modelle die klinischen Aufzeichnungen in der elektronischen Patientenakte zur Vorhersage künftiger Selbstverletzungen nutzen konnte. Zu diesem Zweck ermittelte das Team von Obeid die Aufzeichnungen von Patienten, die sich absichtlich selbst verletzten, und trainierte das Modell anhand der klinischen Aufzeichnungen, die sechs Monate bis einen Monat vor dem Krankenhausaufenthalt mit absichtlicher Selbstverletzung erstellt worden waren. Anschließend testeten sie, ob die trainierten Modelle korrekt vorhersagen konnten, ob diese Patienten sich später absichtlich selbst verletzen würden.

Die Vorhersage künftiger Selbstverletzungen allein auf der Grundlage von Krankenakten erwies sich als schwieriger als die Identifizierung aktueller Risikopatienten, da das Modell durch die Einbeziehung großer Mengen an Krankengeschichten mit zusätzlichem „Rauschen“ behaftet ist. Klinische Aufzeichnungen sind in der Regel unterschiedlich und nicht immer relevant. Wurde ein Patient beispielsweise sechs Monate vor seinem Krankenhausaufenthalt wegen Depressionen oder anderen psychischen Problemen behandelt, so enthielten die klinischen Aufzeichnungen wahrscheinlich relevante Informationen. Wurde der Patient jedoch wegen einer Erkrankung eingeliefert, die nichts mit der psychischen Gesundheit zu tun hatte, dann enthielten die Aufzeichnungen mit geringerer Wahrscheinlichkeit relevante Informationen.

Die Einbeziehung irrelevanter Informationen führt zwar zu einem starken Rauschen in der Datenanalyse, doch müssen alle diese Informationen über alle Patienten hinweg in die Modelle einbezogen werden, um die Ergebnisse vorherzusagen. Infolgedessen war das Modell weniger genau bei der Vorhersage, welche Patienten später eine absichtliche Selbstverletzung begehen würden, als bei der einfachen Klassifizierung der aktuellen Patienten nach ihrem Suizidrisiko. Dennoch war die Vorhersagegenauigkeit dieses Modells sehr wettbewerbsfähig mit derjenigen, die zuvor für Modelle berichtet wurde, die sich auf strukturierte Daten stützten, und erreichte eine Genauigkeit von fast 80 % bei relativ hoher Sensitivität und Präzision.

Obeids Team hat gezeigt, dass es möglich ist, Deep-Learning-Modelle zu verwenden, um Patienten mit dem Risiko einer vorsätzlichen Selbstverletzung allein auf der Grundlage klinischer Aufzeichnungen zu identifizieren. Die Studie hat auch gezeigt, dass Modelle verwendet werden können, um mit recht guter Genauigkeit vorherzusagen, welche Patienten sich in Zukunft wegen vorsätzlicher Selbstverletzung vorstellen werden, und zwar auf der Grundlage klinischer Aufzeichnungen in ihrer elektronischen Patientenakte.

Diese ersten Ergebnisse sind vielversprechend und könnten große Auswirkungen auf die klinische Ebene haben. Wenn Deep-Learning-Modelle verwendet werden können, um auf der Grundlage klinischer Aufzeichnungen vorherzusagen, welche Patienten ein hohes Suizidrisiko aufweisen, können Kliniker Hochrisikopatienten frühzeitig an eine geeignete Behandlung überweisen. Die Verwendung dieser Modelle zur Einstufung von Patienten als selbstverletzungsgefährdet könnte auch die Teilnahme an klinischen Studien und Versuchen zu potenziellen neuen Behandlungen im Zusammenhang mit Suizid erleichtern.

In künftigen Studien will Obeid Änderungen des Zeitfensters für die Vorhersage seiner Modelle untersuchen, z. B. die Betrachtung von Aufzeichnungen ein Jahr vor der Vorstellung eines Patienten wegen vorsätzlicher Selbstverletzung anstelle von sechs Monaten. Das Team beabsichtigt auch, andere Ergebnisse wie Selbstmord oder Selbstmordgedanken zu untersuchen. Und obwohl die Modelle im MUSC gut funktionieren, muss Obeid nun zeigen, dass sie auf andere Einrichtungen übertragen werden können.

„Können die Modelle an einem Ort trainiert und an einen anderen Ort übertragen werden und trotzdem funktionieren?“, fragte Obeid. „Wenn die Antwort ja lautet, spart dies wichtige Ressourcen, da andere Einrichtungen keine teuren und zeitaufwändigen manuellen Überprüfungen von Krankenblättern vornehmen müssen, um zu bestätigen, dass die Modelle während der Trainingszeit richtig arbeiten.“

Über die MUSC

Die 1824 in Charleston gegründete Medical University of South Carolina (MUSC) ist die älteste medizinische Fakultät im Süden und das einzige integrierte akademische Zentrum für Gesundheitswissenschaften des Bundesstaates mit dem einzigartigen Auftrag, dem Staat durch Ausbildung, Forschung und Patientenversorgung zu dienen. Jedes Jahr bildet das MUSC mehr als 3.000 Studenten und fast 800 Assistenzärzte in sechs Colleges aus und weiter: Zahnmedizin, Graduate Studies, Gesundheitsberufe, Medizin, Krankenpflege und Pharmazie. Das MUSC ist bundesweit führend bei der Einwerbung von Mitteln für die biomedizinische Forschung und hat im Haushaltsjahr 2019 mit mehr als 284 Millionen US-Dollar einen neuen Höchststand erreicht. Informationen zu akademischen Programmen finden Sie unter musc.edu.

Als klinisches Gesundheitssystem der Medical University of South Carolina widmet sich MUSC Health der Bereitstellung einer qualitativ hochwertigen Patientenversorgung und der Ausbildung von Generationen kompetenter, mitfühlender Gesundheitsdienstleister für die Menschen in South Carolina und darüber hinaus. MUSC Health besitzt und betreibt acht Krankenhäuser in den Bezirken Charleston, Chester, Florence, Lancaster und Marion und umfasst rund 1.600 Betten, mehr als 100 Außenstellen, das MUSC College of Medicine, den Praxisplan für Ärzte und fast 275 Telemedizin-Standorte. Im Jahr 2020 wurde MUSC Health zum sechsten Mal in Folge vom U.S. News & World Report zur Nr. 1 unter den Krankenhäusern in South Carolina gekürt. Um mehr über die klinischen Patientendienste zu erfahren, besuchen Sie muschealth.org.

MUSC und seine Tochtergesellschaften verfügen über ein jährliches Gesamtbudget von 3,2 Milliarden Dollar. Zu den mehr als 17.000 Mitgliedern des MUSC-Teams gehören erstklassige Dozenten, Ärzte, Fachärzte und Wissenschaftler, die bahnbrechende Ausbildung, Forschung, Technologie und Patientenversorgung bieten.

Über das SCTR-Institut

Das South Carolina Clinical & Translational Research (SCTR)-Institut ist der Katalysator für die Veränderung der Kultur der biomedizinischen Forschung, die Erleichterung der gemeinsamen Nutzung von Ressourcen und Fachwissen und die Straffung forschungsbezogener Prozesse, um einen groß angelegten Wandel in der klinischen und translationalen Forschung in South Carolina zu bewirken. Unsere Vision ist die Verbesserung der Gesundheitsergebnisse und der Lebensqualität der Bevölkerung durch die Umsetzung von Entdeckungen in eine evidenzbasierte Praxis. Um mehr zu erfahren, besuchen Sie https://research.musc.edu/resources/sctr