Eine Studie hat ergeben, dass Natural Language Processing die Notwendigkeit von manuellen Überprüfungen von Patientenakten verringern könnte, um das Risiko von MDRO-Infektionen zu bestimmen. Die Studie, die auf der Frühjahrskonferenz der Society for Healthcare Epidemiology of America präsentiert wurde, untersuchte die Fähigkeit eines NLP-Algorithmus, klinische Notizen auf Begriffe im Zusammenhang mit der Exposition gegenüber Langzeitpflegeeinrichtungen zu analysieren, was ein Risikofaktor für die Übertragung von multidrug-resistenten Organismen (MDROs) ist. Die Forscher fanden heraus, dass das NLP-Modell in der Lage war, die Exposition gegenüber Langzeitpflegeeinrichtungen aus den Notizen mit hoher Genauigkeit zu identifizieren.
Katherine Goodman und Kollegen untersuchten in der Studie 1.020 Patientenaufnahmen im University of Maryland Hospital System zwischen 2016 und 2021, um die Exposition gegenüber Langzeitpflegeeinrichtungen zu bestimmen. Anhand der manuellen Überprüfung der Notizen jedes Patienten konnten sie feststellen, dass 7% der H&P-Notizen eine Exposition gegenüber Langzeitpflegeeinrichtungen dokumentierten. Ein von ihnen entwickeltes maschinelles Lernmodell konnte diese Exposition mit einer Genauigkeit von 0,89 identifizieren. Die Forscher fanden heraus, dass Begriffe wie “Rehab”, “Place”, “Status”, “EGD”, “Dementia” und “Facility” wichtige Prädiktoren für die Exposition waren.
Natural Language Processing ist ein Ansatz, der es ermöglicht, automatisierte Techniken, statistische und maschinelles Lernen-basierte Klassifizierer zu verwenden, um Informationen aus freiem Text zu extrahieren. Dies kann helfen, relevante Informationen aus unstrukturierten Daten zu gewinnen, die traditionell von Menschen analysiert werden mussten. Das Ziel ist es, gezieltes Screening von Patienten mit einem höheren Risiko für die Übertragung von MDROs zu ermöglichen.
Die Forscher planen, weiterführende Studien mit anderen Klassifizierern durchzuführen, um die Leistung zu validieren. Sie möchten das Verfahren auch auf ein anderes Gesundheitssystem anwenden, um die Anwendbarkeit in der realen Welt zu überprüfen. Darüber hinaus wollen sie die Effektivität des NLP-Modells mit anderen Ansätzen wie groß angelegten Sprachmodellen und generativer KI vergleichen, um die Genauigkeit und Effizienz weiter zu verbessern.