Mithilfe maschinellen Lernens identifizieren Forscher versteckte Selbstverletzungsgeschichten

Wichtige psychische Vorgeschichten sind oft in den Krankenakten enthalten, aber schwer zu finden, insbesondere wenn sie in den Diagnosecodes fehlen, die Kliniker, Forscher und Gesundheitssysteme zum Suchen und Zählen von Erkrankungen verwenden.

Eine neue Studie unter der Leitung von Forschern der University of New Mexico School of Medicine analysierte elektronische Gesundheitsakten von mehr als 1,3 Millionen Patienten, die von der Veterans Health Administration (VHA) betreut werden. Die Forscher machten auf eine häufige Lücke in der Art und Weise aufmerksam, wie Gesundheitssysteme Selbstverletzungen verfolgen, und stellten fest, dass Diagnosecodes nur etwa ein Viertel der klinisch dokumentierten Selbstverletzungsgeschichte erfassten.

Wenn wir bei Forschung und Planung nur das berücksichtigen, was in den Diagnosecodes leicht zu erkennen ist, unterschätzen wir möglicherweise den Bedarf an psychiatrischen Diensten erheblich. Eine bessere Messung kann Gesundheitssystemen dabei helfen, besser zu planen, Forscher dabei unterstützen, die Pflege genauer zu untersuchen und schließlich Ärzten dabei helfen, zu erkennen, wann ein Patient möglicherweise eine genauere Untersuchung benötigt.“

Christophe Lambert, PhD, Professor und Interimsleiter der Abteilung für Translationale Informatik in der Abteilung für Innere Medizin der UNM School of Medicine und korrespondierender Autor der Studie

Die Studie, veröffentlicht in der Zeitschrift für medizinische Internetforschung, nutzte eine neuartige Methode des maschinellen Lernens, die zuvor von Mitgliedern des Forschungsteams entwickelt wurde. Nach der Durchsicht der Diagramme durch Experten und der statistischen Kalibrierung schätzten die Forscher, dass bei etwa 7,9 % der von VHA-Ärzten untersuchten Patienten eine dokumentierte Selbstverletzung vorlag – mehr als das Vierfache der 1,85 %, die allein durch Diagnosecodes sichtbar waren. Die Lücke ist wichtig, weil fehlende Anamnese das klinische Bewusstsein, Forschungsergebnisse und die Planung für psychiatrische Dienste beeinträchtigen kann.

Problemlisten – die Aufzeichnungen, die Anbieter über den Gesundheitszustand ihrer Patienten erstellen – zeigten eine weitere Sichtbarkeitslücke. Sie sollen wichtige Bedingungen für klinische Teams kennzeichnen, in der Praxis werden sie jedoch nicht immer vollständig oder konsequent eingehalten. Bei 22,6 % der Veteranen mit dem Diagnosecode „Selbstverletzung“ standen Selbstverletzungen oder Selbstverletzungen in der Vorgeschichte auf ihrer VHA-Problemliste. Das heißt, selbst wenn Selbstverletzung in Diagnosecodes auftauchte, fehlte sie oft in einem der sichtbarsten Zusammenfassungsfelder des Datensatzes.

Selbstverletzungen in der Vergangenheit sind klinisch wichtig, da sie einer der wichtigsten Prädiktoren für zukünftige Selbstverletzungen und das Suizidrisiko sind. Es kann auch die Art und Weise beeinflussen, wie Pflege geleistet wird, einschließlich der Art und Weise, wie Ärzte über Depressionen, posttraumatische Belastungsstörungen, bipolare Störungen, Substanzgebrauch, traumatische Hirnverletzungen und andere Erkrankungen denken, die neben Selbstverletzung auftreten können.

Die Autoren stellen fest, dass VHA bereits spezielle Tools zur Meldung von Suiziden und Überdosierungen verwendet und sich zur Überwachung des Suizidrisikos nicht nur auf Diagnosecodes oder Problemlisten verlässt. In dieser Studie ging es um eine andere, aber verwandte Frage: Wie viel frühere Selbstverletzungen sind in den Teilen der Aufzeichnungen sichtbar, die Forscher, Pflegeteams und Gesundheitssysteme am einfachsten quantifizieren und in großem Maßstab überprüfen können?

„Dies ist ein Sichtbarkeitsproblem auf Systemebene“, sagte Lambert. „Der Datensatz kann enorm sein. In unserer Aktenübersicht enthielten einige Patientenakten mehr als 500.000 Notizzeilen. Von keinem Arzt kann erwartet werden, dass er das alles bei einem normalen Besuch liest.“

Die Studie versuchte nicht, zukünftige Selbstverletzungen vorherzusagen oder mit Sicherheit festzustellen, ob sich ein Patient selbst verletzt hatte. Stattdessen testete das Team, ob ein Computermodell anhand von Mustern in strukturierten elektronischen Patientenakten die Wahrscheinlichkeit abschätzen kann, dass eine Vorgeschichte von Selbstverletzungen vorhanden war, diese aber in den Diagnosecodes fehlten, und diese Wahrscheinlichkeiten dann mit einer Expertenbewertung klinischer Notizen verglichen hat.

Dazu verwendete das Team eine Methode namens PULSNAR – Positives, unbeschriftetes Lernen, nicht zufällig ausgewählt, das für chaotische Gesundheitsdaten aus der realen Welt entwickelt wurde. Die meisten Methoden des maschinellen Lernens benötigen klare Beispiele sowohl für „Ja“- als auch für „Nein“-Fälle. Ein fehlender Diagnosecode in den Krankenakten beweist jedoch nicht, dass ein Patient nie an dieser Krankheit gelitten hat.

PULSNAR arbeitet mit dieser Unsicherheit. Es lernt von Patienten, die über einen Code verfügen, und schätzt dann, wie viele ähnliche Patienten unter denen ohne Code vorhanden sein könnten. Sein Hauptvorteil besteht darin, dass nicht davon ausgegangen wird, dass codierte Fälle zufällig sind, sondern dass die Tatsache berücksichtigt wird, dass einige Fälle mit größerer Wahrscheinlichkeit codiert werden als andere.

„Medizinische Unterlagen können dazu führen, dass Selbstverletzungen in mehr als einer Hinsicht schwer zu erkennen sind“, sagte Praveen Kumar, PhD, der Erstautor der Studie. „Manchmal steht die Vorgeschichte im Arztbericht, aber nicht in den Diagnosecodes. In anderen Fällen kann die Aufzeichnung Risikofaktoren, Verletzungen, Vergiftungen oder Verhaltensweisen enthalten, die mit Selbstverletzung vereinbar sind, auch wenn die Aufzeichnung allein nicht beweist, was passiert ist oder warum.“

„Unsere Methode kann dabei helfen, beide Muster zur Überprüfung zu markieren. Diese Studie könnte das erste Muster bestätigen, da die Beweise bereits in den Notizen enthalten waren. Das zweite Muster mag genauso wichtig sein, aber um es zu bestätigen, müsste man mit Patienten sprechen oder Informationen verwenden, die über die Krankenakte hinausgehen.“

Zum Forschungsteam gehörten Experten des UNM Health Sciences Center, des Raymond G. Murphy Veterans Affairs (VA) Medical Center, des Vanderbilt University Medical Center, des VA Tennessee Valley Healthcare System, des VA Office of Mental Health, der Greer Black Company und des UNM Department of Economics. Das Team vereinte Fachwissen aus den Bereichen medizinische Informatik, Informatik, Psychiatrie, biomedizinische Informatik, Wirtschaftswissenschaften, Statistik und Versorgungsforschung.

Die Selbstverletzungsstudie ist Teil eines umfassenderen Forschungsprogramms, das positives und unbeschriftetes Lernen nutzt, um Zustände zu finden, die in den medizinischen Standarddaten möglicherweise nicht ausreichend erfasst sind, sagten die Forscher. Das Team hat bereits eine entsprechende Studie veröffentlicht, die diesen Ansatz verwendet Erkennen Sie eine unterkodierte Opioidkonsumstörungund die laufende Arbeit weitet es auf andere Erkrankungen aus, bei denen die Krankenakte möglicherweise nicht das vollständige Bild zeigt, einschließlich unerkannter posttraumatischer Belastungsstörung, Depression, bipolarer Störung und Schlafstörungen.

Die Methode könnte umfassendere VHA-Bemühungen zur psychischen Gesundheit und Suizidprävention ergänzen, indem sie eine skalierbare Methode zur Messung von Erkrankungen bietet, die möglicherweise nicht ausreichend erfasst oder in medizinischen Standarddaten schwer zu erkennen sind. Die Forscher betonten, dass es sich bei der Methode immer noch um ein Forschungsinstrument handele und noch nicht für den alleinigen Einsatz in der klinischen Versorgung bereit sei. Mit der weiteren Entwicklung könnte sie den Gesundheitssystemen jedoch dabei helfen, unzureichend erfasste psychische Gesundheitszustände besser einzuschätzen, dokumentierte Krankengeschichten zu finden, die nicht klar erkennbar sind, und Aufzeichnungen zu identifizieren, die möglicherweise eine genauere Überprüfung erfordern.

„Die Vorgeschichte von Selbstverletzungen ist zu wichtig, als dass man sie in Aufzeichnungen begraben könnte, die im Rahmen der routinemäßigen Pflege nicht Zeile für Zeile durchgesehen werden können“, sagte Lambert. „Bei unserer Arbeit geht es darum, Forschern und Gesundheitssystemen dabei zu helfen, dokumentierte Anamnese und klinisch relevante Muster in den Daten zu finden, damit Pflegeteams ein umfassenderes Bild von den Menschen erhalten können, denen sie dienen.“

Quellen: