Medizinische Universität Graz

Meine Abschlussarbeiten - Publikationen

Dissertation - Detailansicht

Gehe zu

Betreute Abschlussarbeiten

Sprachversion

Deutsch Englisch (Sprache des Volltextes)

Bibliografische Informationen

Titel

Prognosegenauigkeit und Akzeptanz einer auf maschinellem Lernen basierenden Anwendung zur Vorhersage von Delir im klinischen Alltag

Kurzfassung

Im klinischen Alltag ist es unerlässlich, Patient*innen mit einem erhöhten Risiko für lebensbedrohliche Krankheiten zu identifizieren, um so früh wie möglich präventive Maßnahmen treffen können. Der Einsatz von klinischen Prognosemodellen ermöglicht es Patient*innen in Risikogruppen einzuteilen, wodurch das Gesundheitspersonal in klinischen Entscheidungsprozessen unterstützt werden kann.

Aufgrund zunehmender Datenmengen in elektronischen Gesundheitsakten wurden über die letzten Jahre vermehrt Prognosemodelle mithilfe von Methoden des maschinellen Lernens entwickelt. Der wesentliche Vorteil dieser Methoden besteht darin, dass keine zusätzlichen Daten erfasst werden müssen, und damit ein flächendeckender Einsatz ohne den Aufwand zusätzlicher personeller Ressourcen im klinischen Alltag ermöglicht wird.

Trotz der ausgezeichneten Ergebnisse dieser Modelle auf Testdatensätzen wurden bisher nur wenige Modelle des maschinellen Lernens in den klinischen Einsatz gebracht. Aus diesem Grund sind sowohl die klinische Prognosegenauigkeit als auch die Akzeptanz durch das klinische Personal weitgehend unerforscht.

Das Ziel dieser Dissertation war die Evaluierung einer Anwendung basierend auf den Methoden des maschinellen Lernens im klinischen Alltag. Der Zweck der Anwendung ist die Vorhersage eines Delirs, ein akuter Verwirrtheitszustand, welcher oft mit hohen Komorbiditäten und Sterblichkeitsraten einhergeht.
Die Evaluierung umfasste die folgenden drei Aspekte: (1) die Prognosegenauigkeit während einer siebenmonatigen Pilotstudie; (2) die Akzeptanz der Anwendung durch das klinische Personal; und (3) die Langzeit-Prognosegenauigkeit in fünf Krankenhäusern in der Steiermark (Österreich).

Die Ergebnisse der Evaluierung zeigten sowohl in der Pilotstudie als auch in der Langzeituntersuchung eine stabile Prognosegenauigkeit im klinischen Alltag für internistische und chirurgische Patient*innen. Die Risikovorhersagen des Algorithmus waren in hoher Übereinstimmung mit den Einschätzungen der klinischen Expert*innen für eine Stichprobe von Patient*innen der Allgemeinen Inneren Medizin und Gastroenterologie.

Das klinische Personal bewertete die Nützlichkeit, Handhabbarkeit und Ergebnisqualität der Anwendung positiv, und begrüßte insbesondere die schnelle und automatisierte Risikovorhersage. Die Häufigkeit der Nutzung wurde jedoch vom klinischen Personal als eher gering eingestuft. Zukünftige Implementierungsprozesse sollten daher Informationsveranstaltungen und Bekanntmachungen intensiver forcieren.

Im Rahmen der Evaluierung zeigten sich auch Schwächen der auf Methoden des machinellen Lernen basierenden Anwendung. Für Patient*innen der Abteilung für Kardiologie konnte ein Delir nur mit einer vergleichsweise geringen Präzision vorhergesagt werden. Zudem war die Evaluierung durch eine unvollständige Delir-Dokumentation im Krankenhausinformationssystem limitiert. Diverse Ansätze werden diskutiert, um den Einfluss dieser Limitierung für zukünftige Analysen zu reduzieren.

Diese Dissertation gibt neue Einblicke in den Einsatz von maschinellem Lernen im klinischen Alltag und zeigt diverse Stärken und Schwächen einer solchen auf. Die Ergebnisse veranschaulichen sowohl die hohe prädiktive Genauigkeit für die Vorhersage eines Delirs als auch die positive Akzeptanz der Anwendung durch das klinische Personal.
Obwohl sich diese Arbeit gezielt auf die Risikovorhersage eines Delirs richtet, können die Erkenntnisse zukünftig auch für die Evaluierung und kritische Beurteilung von Modellen des maschinellen Lernens in anderen klinischen Anwendungsfeldern herangezogen werden.

Schlagwörter

Klinische Entscheidungsunterstützung; Delir; Maschinelles Lernen; elektronische Gesundheitsakten; klinische Prognosemodelle; Random Forest; Technologieakzeptanz; Langzeit-Prognosegenauigkeit; Prospektive Studie; Evaluation

Anzahl Seiten

Publikationsjahr

2021

Volltext

Volltext downloaden