{"id":47066,"date":"2026-09-03T12:31:17","date_gmt":"2026-09-03T10:31:17","guid":{"rendered":"https:\/\/neuronup.com\/de\/?p=47066"},"modified":"2026-09-03T12:31:17","modified_gmt":"2026-09-03T10:31:17","slug":"tiefenlernmodell-zur-fruhzeitigen-erkennung-kognitiver-beeintrachtigung-aus-klinischen-notizen-in-elektronischen-krankenakten","status":"publish","type":"post","link":"https:\/\/neuronup.com\/de\/forschung\/forschungslinien\/tiefenlernmodell-zur-fruhzeitigen-erkennung-kognitiver-beeintrachtigung-aus-klinischen-notizen-in-elektronischen-krankenakten\/","title":{"rendered":"Deep-Learning-Modell zur Fr\u00fcherkennung kognitiver Beeintr\u00e4chtigungen anhand klinischer Notizen in elektronischen Patientenakten"},"content":{"rendered":"\n

Antonio Javier Sutil Jim\u00e9nez spricht in diesem Artikel \u00fcber die im Rahmen der Studie „Deep-Learning-Modell zur Fr\u00fcherkennung kognitiver Beeintr\u00e4chtigungen anhand klinischer Notizen in elektronischen Patientenakten“<\/em> gewonnenen Daten.<\/p>\n\n\n\n

Warum ist diese Studie zu einem Lernmodell auf Grundlage klinischer Notizen wichtig?<\/h2>\n\n\n\n

Diese Studie befasst sich mit der Fr\u00fcherkennung kognitiver Beeintr\u00e4chtigungen bei Erwachsenen<\/strong>. Dies ist von entscheidender Bedeutung, um erfolgreiche therapeutische Interventionen durchf\u00fchren, den Abbau verlangsamen, die Entwicklung von Erkrankungen verhindern oder die Aufnahme von Teilnehmenden in klinische Studien erleichtern zu k\u00f6nnen.<\/p>\n\n\n\n

Alzheimer-Krankheit<\/h3>\n\n\n\n

Die Alzheimer-Krankheit<\/a> ist eine Form der Demenz, die weltweit ein gro\u00dfes Problem darstellt. Bei fast 6 Millionen Menschen<\/strong> in den Vereinigten Staaten wurde diese Erkrankung diagnostiziert. Ihre Pr\u00e4valenz steigt mit zunehmendem Alter, weshalb davon auszugehen ist, dass die Alterung der Bev\u00f6lkerung auch zu einem Anstieg ihrer Inzidenz<\/strong> in den kommenden Jahren f\u00fchren wird.<\/p>\n\n\n\n

\u00dcber die Alzheimer-Krankheit hinaus stellt jedoch auch die leichte kognitive Beeintr\u00e4chtigung<\/a> ein \u00e4u\u00dferst relevantes Problem dar, das in vielen F\u00e4llen mit der sp\u00e4teren Entwicklung einer Demenz verbunden ist.<\/p>\n\n\n\n

Subjektive kognitive Beeintr\u00e4chtigung<\/h3>\n\n\n\n

Ebenso wurde k\u00fcrzlich die Kategorie der subjektiven kognitiven Beeintr\u00e4chtigung geschaffen. Dieser Begriff bezeichnet die Wahrnehmung einer Person, dass ihre kognitiven F\u00e4higkeiten im Vergleich zu ihrem fr\u00fcheren Zustand abgenommen haben<\/strong>.<\/p>\n\n\n\n

Obwohl diese Bezeichnung keine eigenst\u00e4ndige Erkrankung darstellt, wurde festgestellt, dass sich Menschen mit dieser Auspr\u00e4gung m\u00f6glicherweise in einer fr\u00fchen Phase einer kognitiven Beeintr\u00e4chtigung befinden.<\/p>\n\n\n\n

Erkennung kognitiver Beeintr\u00e4chtigungen<\/h3>\n\n\n\n

Obwohl gro\u00dfe Anstrengungen unternommen werden, um die Behandlung dieser Patientinnen und Patienten zu verbessern, bleibt die Erkennung kognitiver Beeintr\u00e4chtigungen eine Herausforderung<\/strong>. Eine Verbesserung der Erkennungsinstrumente ist notwendig, damit die anschlie\u00dfenden Behandlungen wirksam sein k\u00f6nnen.<\/p>\n\n\n\n

Instrumente in der haus\u00e4rztlichen Versorgung<\/h4>\n\n\n\n

Da die Zahl der spezialisierten Fachkr\u00e4fte f\u00fcr die Versorgung der gef\u00e4hrdeten Bev\u00f6lkerung begrenzt ist, k\u00f6nnte eine m\u00f6gliche L\u00f6sung darin bestehen, Haus\u00e4rztinnen und Haus\u00e4rzte mit entsprechenden Instrumenten auszustatten<\/strong>. Diese \u00c4rztinnen und \u00c4rzte sind zwar keine Demenzspezialisten, stehen jedoch in direktem Kontakt mit dieser Bev\u00f6lkerungsgruppe<\/strong>. Ihnen diagnostische Instrumente zur Verf\u00fcgung zu stellen, erscheint daher als eine praktikable L\u00f6sung.<\/p>\n\n\n\n

Elektronische Patientenakten<\/h4>\n\n\n\n

Die Nutzung elektronischer Patientenakten<\/strong> wird als geeignete Alternative f\u00fcr die Entwicklung solcher Instrumente vorgeschlagen, da diese die Besuchshistorie der Patientinnen und Patienten innerhalb eines Gesundheitssystems erfassen.<\/p>\n\n\n\n

Es ist jedoch wichtig, auf die Schwierigkeit hinzuweisen, nicht altersbedingte Anzeichen einer kognitiven Beeintr\u00e4chtigung zu erkennen<\/strong>. Diese werden h\u00e4ufig in kognitiven Untersuchungen und in den von medizinischem Fachpersonal dokumentierten Sorgen der Patientinnen festgehalten. Obwohl Studien mit den klinischen Informationen der Patientinnen und Patienten durchgef\u00fchrt wurden, wurde die Nutzung klinischer Notizen aus Patientenakten f\u00fcr diesen Zweck bislang nur selten eingehend untersucht.<\/p>\n\n\n\n

Klinische Notizen als Informationsquelle <\/h4>\n\n\n\n

In dieser Studie wird vorgeschlagen, klinische Notizen als Informationsquelle zu nutzen, die Informationen erfassen k\u00f6nnte, die in den meisten Studien nicht ber\u00fccksichtigt werden. Die manuelle Analyse klinischer Notizen w\u00e4re sehr kostspielig. Ziel der Studie war es daher, ein automatisches, auf Deep Learning basierendes Erkennungsmodell<\/strong> zu entwickeln.<\/p>\n\n\n\n

Der Ansatz dieser Studie ist daher originell und innovativ, da er klinische Notizen nutzt.<\/p>\n\n\n\n

Klinische Notizen sind f\u00fcr Gesundheitsakten im klinischen Bereich von gro\u00dfer Bedeutung. Ihre Nutzung aus wissenschaftlicher Sicht war jedoch bislang begrenzt, wodurch ihre Anwendung zur Fr\u00fcherkennung kognitiver Beeintr\u00e4chtigungen besonders interessant sein k\u00f6nnte.<\/p>\n\n\n\n

Was wurde durchgef\u00fchrt?<\/h2>\n\n\n\n

Datenbank <\/h3>\n\n\n\n

F\u00fcr die Durchf\u00fchrung dieser Studie wurden Daten eines privaten Gesundheitsunternehmens herangezogen. Die Patientinnen und Patienten wurden nach Alter (sie mussten \u00fcber 50 Jahre alt sein) und nach der Diagnose einer leichten kognitiven Beeintr\u00e4chtigung gefiltert. Konkret wurden die klinischen Notizen aus den vier Jahren vor der Diagnose analysiert<\/strong>.<\/p>\n\n\n\n

Die Definition der kognitiven Beeintr\u00e4chtigung basierte auf dem Erw\u00e4hnen von Symptomen, Diagnosen, kognitiven Untersuchungen und Behandlungen. Wenn die Notizen einen Verlauf, vor\u00fcbergehende oder reversible Episoden erkennen lie\u00dfen, wurden sie als negativ f\u00fcr eine kognitive Beeintr\u00e4chtigung eingestuft.<\/p>\n\n\n\n

Verarbeitung klinischer Notizen und Entwicklung der Datenbank<\/h3>\n\n\n\n

Aufgrund der L\u00e4nge der klinischen Notizen wurde zun\u00e4chst ein Verfahren zur Verarbeitung nat\u00fcrlicher Sprache<\/strong> eingesetzt, um sie in Abschnitte zu unterteilen. Diese Unterteilung erm\u00f6glichte festzustellen, ob jeder Abschnitt auf eine kognitive Beeintr\u00e4chtigung hinwies oder nicht.<\/p>\n\n\n\n

Anschlie\u00dfend wurden von Fachleuten ausgew\u00e4hlte Schl\u00fcsselw\u00f6rter identifiziert<\/strong>. Diese Fachleute waren darin geschult, Abschnitte mit Anzeichen einer kognitiven Beeintr\u00e4chtigung zu erkennen. Drei Annotierende kennzeichneten die Abschnitte. Unstimmigkeiten wurden durch Diskussionen mit Fachleuten auf diesem Gebiet gekl\u00e4rt, wodurch eine gute \u00dcbereinstimmung zwischen den Annotierenden erreicht wurde.<\/p>\n\n\n\n

Dar\u00fcber hinaus wurde ein annotierter Datensatz<\/strong> mit 4.950 Abschnitten erstellt, um mehrere Algorithmen des maschinellen Lernens zu trainieren und zu testen. Schlie\u00dflich wurden zwei Datenbanken erstellt<\/strong>, die f\u00fcr die Entwicklung und Validierung des Modells verwendet werden sollten.<\/p>\n\n\n\n

Datens\u00e4tze<\/h4>\n\n\n\n

Der erste Datensatz, der f\u00fcr die Modellentwicklung verwendet wurde, enthielt ausschlie\u00dflich Abschnitte mit ausgew\u00e4hlten Schl\u00fcsselw\u00f6rtern. Dieser Datensatz umfasste 4.950 annotierte Abschnitte<\/strong>, die f\u00fcr die Entwicklung der Modelle des maschinellen Lernens bereitstanden.<\/p>\n\n\n\n

Der zweite Datensatz bestand aus 2.000 zuf\u00e4llig aus allen Notizen ausgew\u00e4hlten Abschnitten<\/strong>, wobei die im ersten Datensatz verwendeten Abschnitte ausgeschlossen wurden. Dieser zweite Datensatz diente dazu, die Generalisierungsf\u00e4higkeit des Modells auf Notizabschnitten<\/strong> zu \u00fcberpr\u00fcfen, ohne einen auf Schl\u00fcsselw\u00f6rtern basierenden Filter anzuwenden.<\/p>\n\n\n\n

Modellentwicklung und Validierung<\/h3>\n\n\n\n

Zur Entwicklung des Modells wurde eine hierarchische Aufmerksamkeitsarchitektur auf Grundlage von Deep Learning verwendet, die in einer fr\u00fcheren Arbeit entwickelt worden war. Zus\u00e4tzlich kamen vier grundlegende Algorithmen des maschinellen Lernens<\/strong> zum Einsatz: logistische Regression, Random Forest, Support Vector Machine und XGBoost.<\/p>\n\n\n\n

Das zuvor entwickelte Modell enthielt ein an den Kontext angepasstes neuronales Faltungsnetzwerk. Dadurch konnte es mit Variationen von W\u00f6rtern umgehen und die Vorhersage \u00fcber Aufmerksamkeits-Schichten interpretieren. F\u00fcr weitere Informationen zum Modell empfiehlt es sich, den betreffenden Artikel und seine erg\u00e4nzenden Tabellen zu konsultieren.<\/p>\n\n\n\n

Interpretation der Modellvorhersage <\/h4>\n\n\n\n

Zur Interpretation der Modellvorhersage wurden die W\u00f6rter mit dem gr\u00f6\u00dften Gewicht in den f\u00fcr die Vorhersage verwendeten Aufmerksamkeits-Schichten identifiziert. Die W\u00f6rter mit einem relevanten Gewicht<\/strong>, also mindestens 2 Standardabweichungen \u00fcber dem Mittelwert, wurden als W\u00f6rter mit hoher Aufmerksamkeit eingestuft und mit den urspr\u00fcnglich ausgew\u00e4hlten Schl\u00fcsselw\u00f6rtern verglichen<\/strong>.<\/p>\n\n\n\n

Bei den Basismodellen wurden die Abschnitte hingegen durch die H\u00e4ufigkeit des Auftretens von Begriffen<\/strong> repr\u00e4sentiert, und die Algorithmen wurden mittels Kreuzvalidierung<\/strong> trainiert und getestet. Anschlie\u00dfend wurden die Ergebnisse des von der Forschungsgruppe entwickelten Modells mit den vier genannten Basismodellen verglichen.<\/p>\n\n\n\n

Vergleich der Metriken<\/h4>\n\n\n\n

Die beiden zur Metrikvergleich verwendeten Ma\u00dfe waren AUROC <\/strong>(Fl\u00e4che unter der Receiver-Operating-Characteristic-Kurve) und AUPRC <\/strong>(Fl\u00e4che unter der Precision-Recall-Kurve).<\/p>\n\n\n\n

AUROC ist eine bei diesen Modellen \u00fcbliche Analysemethode, da sie die Bewertung verschiedener Schwellenwerte zwischen Sensitivit\u00e4t und Spezifit\u00e4t erm\u00f6glicht. AUPRC ist eine weitere wichtige Metrik, die bei unausgeglichenen Daten erg\u00e4nzende Informationen liefert, wenn der Anteil positiver F\u00e4lle gering ist.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Melden Sie sich
f\u00fcr unseren
Newsletter<\/strong>\u00a0an<\/h2>\n\n\n\n
\n
Jetzt anmelden<\/a><\/div>\n\n<\/div>\n\n\n\n
<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n\n
<\/div>\n\n\n\n

Was sind die wichtigsten Schlussfolgerungen dieser Studie zu einem Lernmodell auf Grundlage klinischer Notizen?<\/h2>\n\n\n\n

Die wichtigste Schlussfolgerung dieser Studie lautet, dass diagnostische Vorhersagen einer kognitiven Beeintr\u00e4chtigung mithilfe eines auf klinischen Notizen basierenden Modells m\u00f6glich sind<\/strong>. Diese Patientinnen und Patienten k\u00f6nnten sich in fr\u00fchen Stadien einer kognitiven Beeintr\u00e4chtigung befinden. Dadurch w\u00e4re es m\u00f6glich, fr\u00fche Anzeichen in elektronischen Gesundheitsakten zu erkennen.<\/p>\n\n\n\n

Das zu diesem Zweck entwickelte Modell war der beste Pr\u00e4diktor<\/strong> f\u00fcr die Erkennung von Patientinnen und Patienten, bei denen sich eine kognitive Beeintr\u00e4chtigung entwickeln wird, ohne auf strukturierte Daten angewiesen zu sein. Obwohl das Deep-Learning-Modell am besten abschnitt, zeigte auch das XGBoost-Modell gute Vorhersagen<\/strong> und stellt eine einfachere Alternative dar, falls die erforderliche Technologie nicht verf\u00fcgbar ist.<\/p>\n\n\n\n

Metriken AUROC und AUPRC<\/h3>\n\n\n\n

Zur \u00dcberpr\u00fcfung dieser Ergebnisse k\u00f6nnen die in den Datens\u00e4tzen 1 und 2 erzielten Werte der Metriken AUROC und AUPRC betrachtet werden (siehe Tabellen 1 beziehungsweise 2). Besonders bemerkenswert ist, dass das auf Deep Learning basierende Modell bei beiden Metriken der beste Pr\u00e4diktor ist. <\/p>\n\n\n\n

Bei AUROC liegen alle Werte \u00fcber 0,9, wobei das Deep-Learning-Modell stets die besten Vorhersagen liefert. Bei AUPRC ist dies noch deutlicher, da nur dieses Modell \u00fcber dem Wert 0,9 bleibt.<\/p>\n\n\n\n

Die Unterschiede zwischen diesen Metriken unterstreichen die Konsistenz der Ergebnisse<\/strong>, da AUROC das Verh\u00e4ltnis zwischen der Rate echter Positiver und falscher Positiver zeigt, w\u00e4hrend AUPRC das Verh\u00e4ltnis zwischen Pr\u00e4zision und Sensitivit\u00e4t abbildet.<\/p>\n\n\n\n

Bei unausgeglichenen Stichproben kann die AUROC-Metrik gegen\u00fcber falsch positiven Ergebnissen weniger konservativ sein. Die erg\u00e4nzenden Informationen der AUPRC erm\u00f6glichen daher, die gute Leistung dieses Modells zu best\u00e4tigen.<\/p>\n\n\n\n

<\/div>\n\n\n\n
Modell<\/td>AUROC<\/td>AUPRC<\/td><\/tr>
Logistische Regression<\/td>0.936<\/td>0.880<\/td><\/tr>
Random Forest<\/td>0.950<\/td>0.889<\/td><\/tr>
Support Vector Machine<\/td>0.939<\/td>0.883<\/td><\/tr>
XGBoost<\/td>0.953<\/td>0.882<\/td><\/tr>
Deep Learning <\/td>0.971<\/td>0.933<\/td><\/tr><\/tbody><\/table>
Tabelle 1. Vergleich der Modelle f\u00fcr den Datensatz mit 4950 Abschnitten.<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n
Modell<\/td>AUROC<\/td>AUPRC<\/td><\/tr>
Logistische Regression <\/td>0.969<\/td>0.762<\/td><\/tr>
Random Forest<\/td>0.985<\/td>0.830<\/td><\/tr>
Support Vector Machine<\/td>0.954<\/td>0.723<\/td><\/tr>
XGBoost<\/td>0.988<\/td>0.898<\/td><\/tr>
Deep Learning <\/td>0.997<\/td>0.929<\/td><\/tr><\/tbody><\/table>
Tabelle 2. Vergleich der Modelle f\u00fcr den Datensatz mit 2000 Abschnitten.<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n

Leistung des Modells <\/h3>\n\n\n\n

Ein weiterer hervorzuhebender Punkt dieser Studie ist, dass die L\u00e4nge der Notizen die Leistung des Modells beeinflussen k\u00f6nnte. Bei ausreichendem Inhalt zeigt sich jedoch, dass eine Klassifizierung nach Abschnitten praktikabel sein kann. <\/p>\n\n\n\n

Dar\u00fcber hinaus k\u00f6nnten Modelle dieser Art auf andere Erkrankungen angewendet werden. Dabei ist jedoch zu ber\u00fccksichtigen, dass die Identifizierung mehrdeutiger oder komplexer Informationen schwierig sein kann.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n

Testen Sie NeuronUP 7 Tage kostenlos<\/h2>\n\n\n\n

Probieren Sie unsere verschiedenen \u00dcbungen, erstellen Sie Sitzungen oder arbeiten Sie remote mithilfe von Online-Sitzungen<\/p>\n<\/div>\n\n\n\n

\n
\n
Kostenlos testen<\/a><\/div>\n\n<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n
<\/div>\n\n\n\n

Welchen Beitrag k\u00f6nnte NeuronUP zu einer solchen Studie leisten?<\/h2>\n\n\n\n

NeuronUP<\/a> k\u00f6nnte auf verschiedene Weise zu einer solchen Studie beitragen, da das Unternehmen \u00fcber umfangreiche Erfahrung im Umgang mit gro\u00dfen Datenmengen verf\u00fcgt.<\/p>\n\n\n\n

Wie diese Studie zeigt, stellt der Umgang mit gro\u00dfen Datenmengen eine der gr\u00f6\u00dften Herausforderungen bei der Arbeit mit klinischen Notizen dar. Das Team von NeuronUP<\/a>, zu dem Fachleute sowohl aus dem klinischen Bereich als auch aus der Datenanalyse geh\u00f6ren, k\u00f6nnte daher wertvolle Beitr\u00e4ge zur Verarbeitung der Informationen leisten<\/strong>, sei es mithilfe von Schl\u00fcsselw\u00f6rtern oder ohne sie. <\/p>\n\n\n\n

Dar\u00fcber hinaus zeichnet sich diese Studie durch den Vergleich von f\u00fcnf verschiedenen Modellen aus, was die Robustheit der f\u00fcr das Modell erzielten Ergebnisse erh\u00f6ht. Die Erfahrung des NeuronUP-Teams k\u00f6nnte auch beim Entwurf eines spezifischen Modells<\/strong> f\u00fcr diesen Zweck oder bei der Entwicklung robuster Modelle hilfreich sein, die mit dem entwickelten Modell verglichen werden k\u00f6nnen.<\/p>\n\n\n\n

Li Zhou.  Sie ist seit mehr als zehn Jahren Professorin f\u00fcr Medizin an der Harvard Medical School und leitende Forscherin am Brigham and Women\u2019s Hospital. Sie promovierte in biomedizinischer Informatik an der Columbia University. Ihre Forschung konzentriert sich auf die Verarbeitung nat\u00fcrlicher Sprache, Wissensmanagement und die Unterst\u00fctzung klinischer Entscheidungsprozesse. Dar\u00fcber hinaus war sie leitende Forscherin bei zahlreichen von AHRQ, NIH und CRICO\/RMF finanzierten Forschungsprojekten.<\/p>\n\n\n\n

Literaturverzeichnis <\/h2>\n\n\n\n