ISSN: 2376-130X
Duncan Wallace
Im Zeitalter von „Big Data“ haben computergestützte Lösungen durch maschinelles Lernen (ML) im großen Maßstab Lösungen für Probleme geliefert, die sich früher als sehr schwierig erwiesen hätten. In den letzten Jahren wurden ML-Ansätze erfolgreich zur Analyse von Patientensymptomdaten im Rahmen der Krankheitsdiagnose eingesetzt, zumindest dort, wo diese Daten gut kodiert sind. Viele der in elektronischen Gesundheitsakten (EHR) vorhandenen Daten sind jedoch wahrscheinlich nicht für klassische ML-Ansätze geeignet. Da außerdem Unmengen von Daten sowohl über Krankenhäuser als auch Einzelpersonen verteilt sind, ist eine dezentrale, computergestützt skalierbare Methodik von höchster Priorität. Unsere Forschung basiert auf der frühzeitigen Identifizierung einer kleinen Untergruppe von Patienten, die häufige Benutzer sind. Dies sind Patienten, die Grunderkrankungen haben, die dazu führen, dass sie wiederholt ärztliche Hilfe benötigen. OOHCs fungieren als Ad-hoc-Bereitstellung von Telemedizin und -behandlung, wobei Interaktionen ohne Rückgriff auf eine vollständige Krankengeschichte des betreffenden Patienten erfolgen. Krankengeschichten von Patienten, die sich an ein OOHC wenden, können in mehreren unterschiedlichen EHR-Systemen in mehreren Krankenhäusern oder Arztpraxen gespeichert sein, die für das betreffende OOHC nicht verfügbar sind. Obwohl eine lokale Lösung für dieses Problem eine bessere Option ist, sind die untersuchten Daten unvollständig, heterogen und bestehen größtenteils aus verrauschten Textnotizen, die während routinemäßiger OOHC-Aktivitäten erstellt wurden. Ziel dieser Forschung ist es, mithilfe einer Reihe von Methoden des maschinellen Lernens die Möglichkeit bereitzustellen, Patientenfälle beim ersten Kontakt zu identifizieren, die wahrscheinlich mit solchen Ausreißern in Zusammenhang stehen. Insbesondere wurden Deep-Learning-Ansätze bei der Entwicklung eines Systems zur Klassifizierung dieser Fälle eingesetzt. Ein weiteres Ziel dieser Forschung ist es, die Entdeckung häufiger Benutzerfälle zu erleichtern, indem die genauen Begriffe untersucht werden, die starke Hinweise auf positive und negative Falleinträge liefern.