Im Jahr 2006 explodierte ein Aneurysma im Kopf meines Schwiegervaters und ein Schlaganfall traf ihn. Am Abend dieses Tages scherzte er und versuchte, auf der Krankenstation herumzulaufen. Der zweite Schlaganfall, der unter der Aufsicht von Ärzten stattfand, konnte sein Gehirn nicht ertragen - sein Schwiegervater hörte auf zu reden, zu gehen und Verwandte zu erkennen. In einem anderen Krankenhaus wurde er auf die Beine gestellt, aber aufgrund eines medizinischen Fehlers während der Erstbehandlung war er für immer sprachlos und seine Persönlichkeit veränderte sich bis zur Unkenntlichkeit.
Was mit ihm passiert ist, wird als nosokomialer Schlaganfall bezeichnet und ist einer der Marker (oder anderweitig - Auslöser) für systemische Probleme in einer medizinischen Organisation. Sie müssen analysiert werden, um die Anzahl vermeidbarer medizinischer Fehler in Krankenhäusern zu verringern und die Qualität der Patientenversorgung zu verbessern.
In den USA waren sie Anfang der 2000er Jahre von diesem Problem verwirrt. Das Massachusetts Institute for Healthcare Improvement (IHI) entwickelte das
IHI Global Trigger Tool zur Messung unerwünschter Ereignisse , das dann von führenden US- und europäischen Kliniken implementiert wurde.
2016 haben wir (das russische Büro von SAS) versucht, ein System zur Analyse medizinischer Auslöser mithilfe der IHI-Methode in Russland zu entwickeln. Ich werde Ihnen sagen, was daraus geworden ist.
Wo hast du angefangen?
Zunächst suchten wir nach gleichgesinnten Ärzten, die die Idee teilen, die Qualität der medizinischen Versorgung zu analysieren. Leiter mehrerer Moskauer Krankenhäuser, Kollegen aus unserem europäischen Büro und Vertreter des dänischen Krankenhauses Lillebaelt wurden zum
SAS Forum Russia 2016 eingeladen, das 2015 auf der Grundlage der SAS-Analyseplattform ein Trigger-Erkennungssystem nach der IHI-Methode entwickelte.
Die Geschichte der Dänen interessierte den Chefarzt eines großen multidisziplinären Krankenhauses in Moskau, und wir einigten uns darauf, ein Experiment zur Analyse von Krankenakten durchzuführen. Gemäß den Bestimmungen der NDA können wir die Details des Projekts nicht offenlegen, daher werde ich das Krankenhaus weiterhin einfach die Klinik und ihren Leiter - den Chefarzt - nennen.
Von Juni bis Juli 2016 haben wir den Inhalt und den Umfang des Projekts mit der Klinikleitung besprochen, im August das Mandat ausgearbeitet und im September mit der Arbeit begonnen. Das Rückgrat des Teams von SAS bestand aus Alexander Zhukov (
al_undefined ) und Dmitry Kayatenko.
Die IHI-Technik enthält 51 Trigger. Zusammen mit der Klinikleitung haben wir für das Projekt Folgendes ausgewählt:
- Blutleukozyten <3.000 x 10 ^ 6 / μl (außer bei Patienten, die sich einer Chemotherapie unterziehen)
- Blutplättchen <50.000 × 10 ^ 6 / μl (außer bei Chemotherapiepatienten)
- Nosokomialer Schlaganfall
- Nosokomialer Infarkt
- Wiederholte ungeplante Überweisungen auf die Intensivstation innerhalb von 24 Stunden
- Wiederbelebung innerhalb von 24 Stunden nach der Operation
- Wiederbelebungsmaßnahmen in Bettabteilungen
Wie so oft in der Analytik wurde der Löwenanteil der Zeit durch die Aufbereitung der Ausgangsdaten und die Zuordnung wichtiger Informationen in diesen beansprucht.
Wie Datensätze abgerufen wurden
Die Daten des medizinischen Informationssystems (MIS) der Klinik wurden in einer Oracle-Datenbank mit einer komplizierten Struktur abgelegt. Beschreibungen der Schemata konnten nicht gefunden werden, daher musste ich die Datenstruktur und die Entitätsbeziehungen wiederherstellen, indem ich Datenbankinformationen mit Informationen aus der grafischen MIS-Oberfläche verglich.
Für das Projekt benötigten wir folgende Arten von Krankenakten:
- Untersuchungsdaten des Arztes
- Diagnosetabelle
- Tagebucheinträge
- Transaktionsprotokolle und präoperative Konzepte
- Termine und Leistungsinformationen
- Epicrisis inszenieren und entladen
- Übersetzte Epikrisis
- Posthume Epikrisis
Diese Daten (mit Ausnahme der Diagnosetabelle) lagen in CLOBs in XML. Da die XML-Struktur in der Klinik nicht beschrieben wurde, mussten ihre Inhalte in langen Diskussionen empirisch ermittelt werden.
In XML-Dokumenten gab es ein Durcheinander. Beispielsweise könnte der Knoten "Allgemeiner Zustand" Informationen zu Patientenbeschwerden enthalten, und der Knoten "Beschwerden" selbst blieb leer. Oft haben Ärzte alle Daten über den Patienten (Beschwerden, Untersuchungsergebnisse, Empfehlungen für die weitere Behandlung und Verschreibung von Arzneimitteln usw.) in einem Bereich, beispielsweise im Kommentar, niedergeschrieben.
Die Entwicklung von XML zu flachen Tabellen erfolgte mit dem Standard-SAS-XML-Mapper. Die komplexesten Dokumente mit den erforderlichen Informationen auf verschiedenen Verschachtelungsebenen wurden mit einem Python-Parser analysiert. Es wurde von SAS gestartet und in einen einzelnen ausführbaren Prozess des SAS Enterprise Guide integriert:
Um die Ergebnisse von Labortests nicht aus dem Text der Epikrisis zu ziehen (es ist immer noch ein Vergnügen, da einige Ärzte die Gewohnheit haben, Dokumente aufzuschlagen), haben wir die Daten aus dem Laborinformationssystem (LIS) übernommen. Sie wurden ebenfalls in XML verpackt, jedoch in einfacher Form - "Analyse", "Indikator", "Wert".
Wie Daten recherchiert wurden
Als wir die medizinischen Unterlagen in einer verständlichen und für die Verarbeitung geeigneten Form brachten, stellte sich heraus, dass nur 2 von 7 Auslösern formalisiert wurden - der Gehalt an „weißen Blutkörperchen“ und „Blutplättchen“. Sie wurden in Zahlen ausgedrückt, die mit einem Schwellenwert verglichen werden konnten.
Wir mussten die Analyse eines solchen Auslösers wie „Wiederholte ungeplante Überweisungen auf die Intensivstation innerhalb von 24 Stunden“ aufgeben. Dieser Marker basiert auf Datums- und Zeitstempeln und wurde in die IIA der Klinik aufgenommen, wie Gott es gerne hätte - sie könnten ein paar Tage verpassen oder sogar ein Datum für die Zukunft festlegen.
Nosokomiale Schlaganfälle, Herzinfarkte und Wiederbelebungsmaßnahmen wurden in keiner Weise codiert und in Bezug auf die Patienten-ID nicht in der Tabelle aufgezeichnet. Sie sollten in Epikrisis und Tagebucheinträgen gesucht worden sein. Daher waren die verbleibenden 4 Auslöser informell, dh sie forderten eine Analyse des unstrukturierten Textes.
Zu diesem Zweck haben wir das Tool zur Verarbeitung natürlicher Sprache verwendet -
SAS Contextual Analysis . Dies ist eine webbasierte Lösung mit einer visuellen Oberfläche, mit der Sie Textverarbeitungsmodelle erstellen können, auch wenn Sie keine Programmierkenntnisse und Kenntnisse in Linguistik haben (Sie können jedoch immer noch nicht auf Kenntnisse des Themenbereichs und der Sprache verzichten, in der der Text geschrieben ist).
Jetzt ist es Mode geworden, solche Probleme mit Hilfe neuronaler Netze zu lösen. Aber wir haben sie bewusst verlassen und den Mechanismus sprachlicher Regeln angewendet, weil:
- Ein gutes Ergebnis in neuronalen Netzen ist nur mit einer qualitativ hochwertigen, von Ärzten vorgezeichneten Stichprobe von Zehntausenden von Aufzeichnungen möglich, aber wir hatten es überhaupt nicht vom Wort
- Das neuronale Netzwerk gibt keine klare Erklärung für seine Entscheidung (es kann nicht interpretiert werden), und Ärzte können nicht mit der Black Box arbeiten - sie müssen genau verstehen, welche Symptome, Indikatoren oder Aktionen auf unerwünschte Ereignisse hinweisen
So trainieren Sie das System
Obwohl wir uns mit allen Auslösern aus der Liste befasst haben, konzentrierten sich die Hauptanstrengungen auf die Erkennung von nosokomialen Schlaganfällen und Herzinfarkten (wir werden die nosokomialen Infektionen der Kürze halber nennen). Dies sind einige der gefährlichsten Auslöser, die nicht nur die Gesundheit der Patienten schädigen, sondern auch schrecklich sind, weil sie nicht vom medizinischen Personal beworben werden. Und wenn das Management nichts über das Problem weiß, kann es sich nicht darum kümmern.
Mit dem NSI war nicht alles einfach. Es gab keine Norm oder Vorschrift, die verpflichtet wäre, die Fakten von Schlaganfällen oder Herzinfarkten in einheitlicher Form zu dokumentieren: Einige Ärzte beschrieben den Schlaganfall als „akute Verletzung des Gehirnkreislaufs“, andere als (oh ja!) „Schlaganfall“ und andere als „ONMK“. ". Manchmal waren nosokomiale Infektionen nur mit der verschriebenen Behandlung sichtbar.
Grundsätzlich könnten wir:
- Befragen Sie alle Ärzte, wie sie Schlaganfälle und Herzinfarkte beschreiben. Es bestand jedoch die Gefahr, dass etwas fehlte - niemand merkt sich die Liste der einmal erstellten Aufzeichnungen und das Verzeichnis der Abkürzungen. Und es gab nur wenige Leute, die zu diesem Thema sprechen wollten.
- Gehen Sie zusammen mit den Ärzten die gesamte Epikrisis durch und analysieren Sie, ob sie Anzeichen von nosokomialen Infektionen haben oder nicht. Aber weder wir noch sie hatten so viel Zeit.
Wir haben anders gehandelt: Wir haben eine Sammlung von Texten in Contextual Analysis hochgeladen und thematische Modelle erstellt, in denen die wichtigsten Ideen für jeden Eintrag hervorgehoben wurden. Ohne sich in den Text des Dokuments einzuschleichen (z. B. eine Epikrisis), konnten nur Datensätze mit dem Thema „Strich“ oder „NMC“ ausgewählt und separat darauf untersucht werden, wie VBI im Text beschrieben wird: Welche Wörter werden in welchem Abstand voneinander verwendet? gefunden usw. Außerdem schlugen die Modelle selbst mögliche Formulierungen vor, um Schlüsselideen zu beschreiben.
Nach der thematischen Kennzeichnung von Dokumenten haben wir mit Ärzten gesprochen, sprachliche Regeln geklärt und entwickelt, um Ereignisse zu identifizieren, die auf Auslöser hinweisen. Die Regeln berücksichtigten die grammatikalischen Formen von Wörtern, den Abstand zwischen ihnen, die Reihenfolge ihrer Reihenfolge, Position (in einem Satz, Absatz, Anfang / Ende des Textes) usw.
Also suchten wir nach Wiederbelebungsmaßnahmen:
Und so - Striche:
Bei der Analyse des Textes müssen Sie immer den Abstand zwischen den Schlüsselwörtern und deren Reihenfolge bewerten, um nicht zu viel zu erfassen. Hier ist ein Beispiel, wenn alle erforderlichen Wörter ("akut", "Verletzung", "Gehirn", "Durchblutung") in der Phrase enthalten sind, der nosokomiale Schlaganfall jedoch nicht:
Es war sehr wichtig, die Beschreibung der Tatsache eines nosokomialen Schlaganfalls von der Beschreibung der Folgen eines früheren Schlaganfalls zu trennen, bei dem dieselben Schlüsselwörter verwendet wurden:
Die ausgeschlossene Regel "Die Folgen eines Schlaganfalls" (oben in Remove_item):
Zusammen mit den Ärzten entwickelten wir etwa 30 Sprachregeln, die feststellten, ob es Anzeichen von Auslösern bei der Epikrisis gab. Sie wurden von Contextual Analysis in Form von Scoring-Code heruntergeladen, der mit dem ausführbaren Prozess zur Auswertung von Datensätzen im SAS Enterprise Guide verbunden war.
Bei nosokomialen Schlaganfällen und Herzinfarkten endete der Entscheidungsprozess über das Vorhandensein eines Auslösers jedoch nicht dort. Wir hätten diejenigen Fälle aus der Liste der Kandidaten für den Auslöser streichen sollen, die bei der Aufnahme des Patienten hätten vorhergesagt werden können. Zu diesem Zweck haben wir die Ergebnisse der Ausarbeitung der Regeln mit einer Diagnosetabelle verglichen.
Ich möchte Sie daran erinnern, dass ein Auslöser ein Ereignis ist (das den Zustand des Patienten verschlechtert), das in Bezug auf die Diagnose bei der Aufnahme
unerwartet ist . Dies ist ein Signal für einen medizinischen Fehler oder ein Krankenhausproblem, das systematische Maßnahmen erfordert, um Komplikationen in der Zukunft auszuschließen, und nicht nur eine Verschlechterung der Gesundheit des Patienten.
Angenommen, die Kontextanalyse hat einem Datensatz die Bezeichnung „nosokomialer Infarkt“ zugewiesen. Wir überprüfen die Diagnose: Wenn der Patient mit einer koronaren Herzkrankheit aufgenommen wurde, war das Risiko eines Myokardinfarkts bereits hoch. Dieses Ereignis ist zwar nicht günstig, aber leider zu erwarten. Datensatztriggerattribut ist nicht zugewiesen.
Wenn der Patient mit Blinddarmentzündung aufgenommen wurde und während der Behandlung einen Schlaganfall hatte, könnte dies ein medizinischer Fehler sein. Zum Beispiel folgten sie nicht dem Druck oder provozierten mit einigen Drogen oder Aktionen einen Sprung hinein. Datensätze weisen das Attribut "Trigger" zu.
Das Ergebnis ist ein Geschäftsprozess:
Für Ärzte war es praktisch - sie konnten die sprachlichen Regeln für die Analyse der Epikrisis unabhängig ergänzen, die dann in den Bewertungscode hochgeladen und vom Analysesystem erfasst wurden.
Wie Daten visualisiert wurden
In der letzten Phase haben wir den Bericht in SAS Visual Analytics eingerichtet - dies ist unser webbasiertes Produkt für Visualisierungs- und BI-Aufgaben. Es wurde alle 5 Minuten aktualisiert und zeigte die Statistik des Auftretens von Auslösern im Kontext von Abteilungen, Ärzten und Patienten. Der zuständige Arzt (zum Beispiel der Leiter der Abteilung für Kardiologie) ging in den Bericht ein und untersuchte, welche Auslöser in der letzten Stunde, am letzten Tag und in der letzten Woche festgestellt wurden. Könnte in der Abteilung "fehlschlagen", sehen Sie die Dynamik des Auslösers für den Zeitraum usw.:
Um den Artikel nicht mit Screenshots zu laden (umso mehr „verschmiert“), haben wir eine kleine Demonstration zu depersonalisierten Daten aufgezeichnet:
Wir wollten auch eine automatische Benachrichtigung über Auslöser einrichten - dies ist ein guter Ton für Analysesysteme, die kritische Indikatoren überwachen. Darüber hinaus ist die Mailinglistenfunktion in SAS Visual Analytics integriert. Die Klinik wollte jedoch keinen Zugriff auf den Mailserver gewähren, da sie sich weigerte, das Versenden von SMS durch die Kopplung mit externen Diensten zu organisieren.
Wie alles endete
Das Krankenhausmanagement führte ein Experiment durch, in dem die Ergebnisse der manuellen Erkennung von Auslösern unerwünschter Ereignisse durch ein Team medizinischer Experten und eine vom SAS-System durchgeführte automatische Analyse verglichen wurden. Das Ergebnis war nicht zugunsten von Menschen: Das SAS-System erkannte mehr als das Medical Board. Für einige Auslöser - mehrmals:
Die erhöhte Genauigkeit ist jedoch nicht die Hauptsache, die das Trigger-Erkennungssystem gegeben hat. Am wichtigsten war, dass sie erlaubte:
- Stellen Sie eine kontinuierliche Überwachung aller medizinischen Unterlagen sicher. Nicht zufällig ausgewählte oder die ungeheuerlichsten Fälle, sondern nach und nach. Nicht nur einmal im Quartal, sondern in einem Modus nahe der Echtzeit.
- Zeit für hochqualifiziertes Personal für Kernaktivitäten. Nur im Rahmen des Experiments konnte das medizinische Personal durch ein umfassendes manuelles Audit verwirrt werden. Im normalen Modus ist keine Zeit dafür - wenn Ärzte mit Notizen beschäftigt sind, gibt es niemanden, der Menschen behandelt.
Wichtig für den Erfolg des Projekts war die uneingeschränkte Unterstützung der Verwaltung - des Chefarztes, seiner Stellvertreter und Abteilungsleiter. Der Leiter der Klinik wurde in den USA ausgebildet, sodass sich die Idee eines auf Qualitätsmanagement und automatisierter Datenanalyse basierenden Managements für ihn als nah und klar herausstellte
Leider trat der Chefarzt kurz vor der vollständigen Implementierung des Analysesystems zurück. Sein Nachfolger war ehrlich gesagt konservativ und machte keine schmutzige Wäsche in der Öffentlichkeit. Die Klinik schrieb die Ergebnisse des vielversprechenden Projekts „to the table“ ab und kehrte zu den Arbeitsmethoden zurück, die durch jahrelange Praxis getestet wurden.
Obwohl es nicht angenehm ist, ein nicht beanspruchtes Produkt herzustellen, war die Erfahrung des Experiments in der Klinik für uns im nächsten Projekt zur Prüfung von Krankenakten in der obligatorischen Krankenversicherung sehr nützlich. Aber dazu ein anderes Mal mehr.