COMPLEX - Visus Technology Transfer GmbH

COMPETENCE | PATIENTENAKTEN
Abb. 2–Klassifikationsprozess
58 EHEALTHCOM
enthalten, aber in keine der beiden medizinischen Fachbereiche
klassifiziert wurden, sind am Ende der Ergebnisliste
zu finden.
Insgesamt wurden 24 Dokumente mit dem Wort „Herz“
als Inhalt für den Patienten gefunden. Neben einer kurzen
Vorschau auf den Inhalt des Dokuments werden das Datum
der letzten Modifikation, der Dokumenttyp sowie die Kategorien,
in die das Dokument automatisiert klassifiziert wurde,
dargestellt. Die Spalte „Score“ zeigt die berechnete Relevanz
des Dokuments bezüglichder Suchanfrage. Das Dokument,
welches in beide Kategorien klassifiziert wurde, besitzt die
größte Relevanz. Anschließend folgen Dokumente, die eine
Kategorie aus der Suchanfrage enthalten (nicht abgebildet).
Evaluation
Für die Klassifikationsaufgabe wurden vier Klassifikationsalgorithmen
mit einem manuell kategorisierten Dokumentendatensatz
von1500 klinischen Freitextdokumenten
trainiert und evaluiert. Die Evaluation wurde für jeden Klassifikator
mit und ohne Text-Vorverarbeitung (TV) durchgeführt.
J48, ein Klassifikationsalgorithmus basierend auf einem
Entscheidungsbaum, erreichte mit einer F-Measure von
0,886 das beste Ergebnis.1-NN und SMO liegen gleichauf im
Mittelfeld. NaïveBayes belegt abgeschlagen den letzten Platz.
Text-Vorverarbeitung verbesserte das Ergebnis für alle Klassifikatoren.
Zur Untersuchung der praktischen Relevanz des
Prototyps wurden fünf erfahrenen Klinikärztinnen
und -ärzten vier unterschiedliche Suchaufgaben
vorgelegt. Bei zwei der Aufgaben durften
die Kliniker medizinische Fachbereiche als
„boost factor“ setzen, bei zwei Aufgaben nicht.
Anschließend wurden sie gebeten, einen Fragebogen
auszufüllen, der die Benutzerfreundlichkeit
der Eingabe- und Ausgabemasken, Antwortzeiten
des Systems sowie den Einfluss des
Fachbereichs-“boost factor“ auf die Suche in
der EPAabfragte. Die Analyse der Ergebnisse
zeigt, dass die Benutzer überwiegendeine Beschleunigung
der Informationssuche –vor allem
in Patientenakten mit vielen Dokumenten
–feststellen konnten. Weiters wurde angemerkt,
dass der Einsatz von medizinischen
Fachbereichen als „boost factor“ eine feiner granulierte
Suche ermöglicht. Fachbereichsspezifische
Informationen könnten dadurchschneller
gefunden werden.
Fazit und Ausblick
Die Zunahme vonunstrukturierten klinischen
Freitextdokumenten erfordert Techniken
wie Text Information Retrieval oder die automatisierte
Klassifikation vonFreitextdokumenten
zur Auffindung relevanter medizinischer
Informationen. Basierend auf etablierten Open-Source Java-
Frameworks bietet diese Arbeit einen kombinierten Ansatz,
beide Techniken in einem klinischen Information Retrieval
System zu nutzen. Evaluationsergebnisse bestätigen den erfolgreichen
Einsatz vonmaschinellem Lernen für die Textklassifikation
sowie die praktische Verwendung der dadurchgewonnenen
Metadaten für die Suche im klinischen IR-System.
Im Hinblickauf die Integration in die elektronische Patientenakte
des klinischen Informationssystems der KAGes
bietet der Prototyp eine gute Möglichkeit, die Suchfunktionalität
zu verbessern. Zusätzlichzur Generierung vonMetadaten
durchdie automatisierte Klassifikation ist für die Zukunft
der Einsatz eines Thesaurus zur Erweiterung der Benutzersuchanfrage
durchSynonyme und Akronyme geplant. Dadurchwird
es möglich, unterschiedliche Schreibweisen von
Dokumentverfasser und Abfragenden zu überwinden und die
Trefferquote zu erhöhen.
STEPHAN SPAT
Institut für Medizinische Systemtechnik
und Gesundheitsmanagement,
JOANNEUM RESEARCH
Forschungsgesellschaft mbH,
Elisabethstraße 11a, 8010 Graz, Austria
E-Mail: stephan.spat@joanneum.at
http://www.joanneum.at/msg
[1]-[9] Literaturhinweise unter
www.e-healthcom.eu/zeitschrift/ausgabe/literatur