Charité Universitätsmedizin Berlin

Automatisierte Erhebung, Strukturierung, Verarbeitung und Auswertung medizinischer Daten insbesondere zur Steigerung der Evidenz bei komplexer langstreckiger Wirbelsäulenchirurgie

Medizinische Daten sollen durch den Einsatz Künstlicher Intelligenz (KI) in ihrer Erhebung, Strukturierung, Verarbeitung und Auswertung automatisiert werden. Über entsprechendzu entwickelnde Schnittstellen zu KIS und PACS Systemen sollen die Daten gebündelt werden. Die Entwicklung eines auf KI basierenden, vollautomatischen Algorithmus zur Bestimmung radiologischer Parameter für die Korrektur adulter spinaler Deformitäten steht im Zentrum des Vorhabens.

Die Vielzahl medizinischer Informationen

Im Rahmen der medizinischen Behandlung werden unzählige Patientendaten generiert und an verschiedenen Stellen des Krankenhausinformationssystems (KIS) oder in der klassischen Papierakte hinterlegt. Erfasst werden neben klinischen und paraklinischen Parametern auch radiologische Befunde, Details zu den verwendeten Implantaten sowie subjektive Angaben der Patienten zu ihrer persönlichen Zufriedenheit (PROMs). Eine strukturierte und nutzbare Zusammenstellung aller relevanten Informationen auch im Rahmen der zunehmend geforderten Registerarbeit sowie retro- und prospektiver klinischer Studien ist hierbei zwingend erforderlich. Die Vielzahl an verfügbaren Informationen führt bislang allerdings nicht zwangsläufig zu einer Verbesserung der medizinischen Behandlungsqualität. So ist einerseits die häufig noch manuell erfolgende Datenauswertung mit einem erheblichen Arbeitsaufwand und außerdem mit einer relevanten Fehlerquote verbunden. Andererseits werden die patienten- und behandlungsassoziierten Daten über unterschiedliche Plattformen erfasst und können durch fehlende Schnittstellen häufig nicht simultan bearbeitet bzw. ausgewertet werden. Aufgrund der nicht vorhandenen Evidenz ist eine ganzheitliche Analyse verschiedenster Daten und ein tieferes Verständnis der Einflussfaktoren bei der Versorgung der Wirbelsäule zur Korrektur adulter spinaler Deformitäten (wie z.B. langstreckigen Spondylodesen) von größter klinischer Relevanz. Insbesondere bei diesem Krankheitsbild hat eine umfangreiche radiologische Analyse einen hohen Stellenwert (Konzept der „Sagittalen Balance“ (SB), z.B. Pelvic Incidence, Spino-Sacral Angle, etc.). Aktuelle manuelle Ansätze zur Bestimmung relevanter radiologischer SB-Parameter finden im klinischen Alltag aufgrund des immensen Zeitaufwandes jedoch keine Anwendung, sodass essentielle Daten für die Behandlung entweder nicht zur Verfügung stehen oder lediglich mit einem hohen Kosten- und Zeitaufwand erhoben werden können. Darüber hinaus können die in großen Mengen vorliegenden retrospektiven und prospektiven Bilddaten nicht umfänglich analysiert werden. Auch das automatisierte Einspeisen dieser Daten in Registerdatenbänke – hier vornehmlich das Wirbelsäulenregister der DWG sowie das EPRD – spielt eine zentrale Rolle bei der Schaffung von Evidenz. Auch hierfür gibt es im klinischen Alltag bisher keine adäquate Lösung.

Lösungsansatz

Ziel des Teilvorhabens ist es, die Fülle der medizinischen Daten durch den Einsatz Künstlicher Intelligenz (KI) in ihrer Erhebung, Strukturierung, Verarbeitung und Auswertung automatisiert im „AIQNET“ Ökosystem über entsprechend zu entwickelnde Schnittstellen zu KIS und PACS Systemen zu bündeln. Ferner wird innerhalb des Teilvorhabens ein neuer, auf KI basierender, vollautomatischer Algorithmus zur Bestimmung radiologischer SB-Parameter entwickelt und validiert, was erstmals die vollumfängliche Analyse von Patienten ermöglichen wird.

Klinische Erkenntnisse und Entlastung im klinischen Alltag

Die geplanten Schnittstellen, welche die verschiedenen Datensilos innerhalb der Klinik zusammenführen, werden zu tieferen klinischen Erkenntnissen und einer spürbaren Entlastung im klinischen Alltag führen.

Ein vollautomatischer Algorithmus zur Bestimmung von relevanten radiologischen SB-Parametern wird ermöglichen, dass komplexe Erkrankungen der Wirbelsäule in der Evidenz ihrer Behandlung verbessert werden. Ferner werden die geplanten Automatisierungen zukünftig von zeitaufwendigen Routinearbeiten im Klinikalltag entlasten, fehleranfällige manuelle Messungen ersetzen und die Verarbeitung großer Patientenkohorten ermöglichen.

Darüber hinaus soll das AIQNET-Ökosystem für die klinische Forschung und Registerarbeit genutzt werden und somit zu einer Vertiefung der klinischen Erkenntnisse und folglich zu einer verbesserten Diagnose, Behandlung, Forschungsleistung und Qualitätskontrolle führen.

Kontaktperson

Dr. med. Kirsten Labbus
Centrum für Muskuloskeletale Chirurgie (CMSC)

kirsten.labbus@charite.de
030 450 652 315

Charité – Universitätsmedizin Berlin

Centrum für Muskuloskeletale Chirurgie (CMSC)

Charitéplatz 1
10117 Berlin

cmsc.charite.de