Big Data-Analysen für die Medizin

Health Discovery ist die Text Mining- und Machine Learning-Plattform zur Analyse großer Mengen von Patientendaten. Mit Health Discovery können medizinische Dokumente nach Diagnosen, Symptomen, Verordnungen, besonderen Befundmerkmalen und weiteren Kriterien analysiert und durchsucht werden. Heterogene Patientendaten in strukturierter und unstrukturierter Form werden harmonisiert, mittels Text-Mining inhaltlich analysiert, und über eine einheitliche Oberfläche durchsuchbar gemacht.

Health Discovery ermöglicht sinnvolle Vorhersagen zu Diagnosen und Therapieverläufen. Patientenkohorten lassen sich mit wenigen Mausklicks zusammenstellen – sei es für Machbarkeitsstudien und Patientenrekrutierung für klinische Studien, zur Diagnoseunterstützung bei seltenen Krankheiten oder zur Unterstützung der medizinischen Kodierfachkräfte bei der medizinischen Leistungsabrechnung.

Averbis Health Discovery

Haben Sie Fragen zu unseren Produkten?

Health Discovery im Überblick

Text-Mining

Die Text-Mining-Pipeline von Averbis enthält eine Vielzahl von Werkzeugen zur Analyse unstrukturierter Patientendaten. Wir analysieren Arztbriefe, Pathologie- und Radiologieberichte und viele weitere Datenquellen. Hieraus extrahieren wir Diagnosen, Medikamente, Laborwerte, Lokalisationen, personenbezogene Merkmale und viele weitere Informationen. Das Text-Mining berücksichtigt die Besonderheit der medizinischen Sprache. So werden Negationen („Ausschluss von“) und Aussagen zur diagnostischen Sicherheit („Verdacht auf“) erkannt und auf den entsprechenden Entitäten zugeordnet.

Technologien für Text-Mining

Text Mining in Arztbriefen

Text-Mining von Arztbriefen

In Arztbriefen könnte eine Vielzahl von Informationen über den Krankenhausaufenthalt eines Patienten extrahiert werden. Unter anderem extrahieren wir in Arztbriefen die folgenden Informationen

Diagnosen

  • ICD-10-Code
  • Grad der Sicherheit

Medikamente

  • Wirkstoff
  • Handelsname
  • Stärke
  • Form
  • Dosierschema

Laborwerte

  • Parameter
  • Wert
  • Einheit

Zeitliche Aspekte

  • Krankenhausdauer
  • Brieferstellungsdatum

Text-Mining von Pathologie-Berichten

Pathologie-Berichte werden häufig unstrukturiert mittels Spracherkennung erfasst. Zur Kodierung der Informationen aus Pathologie-Berichten extrahieren wir die folgenden Informationen:

  • Tumorart
  • Diagnose (ICD10)
  • Lokalisation (ICD-O)
  • Histologie (ICD-O)
  • TNM
  • Grading
  • Lymphknotenstatus
  • Sentinel-Lymphknoten
  • Rezeptorstatus
  • Voting
  • Seite
Text Mining in Pathologieberichten
Anonymisierung von Arztbriefen

Anonymisierung von Befunden

Auch die Identifikation und Entfernung personenbezogener Merkmale erfordert Methoden des Text-Minings. Wenn diese Merkmale entfernt werden, lassen sich Daten z.B. für Forschungszwecke über Krankenhausgrenzen hinweg austauschen. Die von uns identifizierten Merkmale orientieren sich an den „Safe Harbor“ Identifiers.

  • Vor- und Nachname
  • Alter
  • Biometrische Daten (z.B. Größe, Gewicht)
  • Datum
  • Adressen
  • Kontakdaten (z.B. Telefon, Mail)
  • Einrichtungen (z.B. Krankenhaus,
    Stationen)
  • Sonstige (z.B. IDs, Religion)

Semantische Suche

Die semantische Suche ermöglicht die Durchsuchbarkeit großer Mengen von Patientendaten. Mit wenigen Mausklicks lassen sich Patientendaten anhand medizinischer Kriterien wie Krankheiten, Medikamenten, auffälligen Laborwerten oder anderen Patientenmerkemalen wie Alter und Geschlecht filtern. Sprachliche Variationen wie Synonyme und Hierarchien werden in der Suche ebenso berücksichtigt wie Aussagen zu Negationen und diagnostischer Sicherheit („Verdacht auf“). Somit wird eine hohe Genauigkeit und gleichzeitig eine hohe Vollständigkeit der Treffermenge ermöglicht.

Averbis Workflow Machine Learning

Machine Learning

Machine Learning ermöglicht sinnvolle Vorhersagen auf Basis von Patientendaten. Wir machen im Bereich seltener Krankheiten Vorhersagen zur Diagnose und sagen Therapieverläufe bei Augenkrankheiten vorher. Im Kontext der DRG-Kodierung schlagen wir abrechnungsrelevante Diagnosen- und Prozeduren-Codes vor, in der Kardiologie gleichen wir Leitlinien mit Patientendaten ab und identifizieren Patienten, die einen Herzschrittmacher benötigen. Diese und viele weitere Use-Cases lassen sich mit Machine Learning von Information Discovery realisieren.

Terminologie-Management

Das Terminologie-Management-System von Averbis ermöglicht die Pflege und Erweiterung von Standard- sowie anwendungsspezifischer Terminologien. Wir geben Ihnen Zugriff auf eine Vielzahl medizinischer Terminologien wie ICD-10, SNOMED-CT und LOINC. In der nebenstehenden Tabelle sehen Sie eine Übersicht über Terminologien, mit denen wir bereits gearbeitet arbeiten. Wir reichern diese Terminologien um eine Vielzahl von Synonymen an, so dass wir eine hohe Vollständigkeit bei der Analyse von Patientendaten erreichen können.Technologien für das Terminology-Management von Averbis

Terminologien Kategorien
ATC Medikamente
FMA Anatomie
ICD-10 Indikationen
ICD-O Onkologie
LOINC Laborwerte
MedDRA Misc
MeSH Misc
NCI-Thesaurus Misc
OPS Therapien
RadLex Radiologie
RxNorm Medikamente
SNOMED CT Misc
Uberon Anatomie
UCUM Einheiten
UMLS Misc

Adaption und Integration

Health Discovery lässt sich leicht auf individuelle Kundenbedürfnisse anpassen. Durch webbasierte Schnittstellen lassen sich mächtige Analyse-Apps auf Basis von Health Discovery entwickeln. Die modulare Architektur ermöglicht eine nahtlose Integration in bestehende Infrastrukturen.

Averbis Information Discovery Mobile

Mehr als 1000 Formate

Health Discovery unterstützt mehr 1000 verschiedene Dokumentenformate und bietet Ihnen damit eine vollumfängliche Flexibilität.