TriNetX ergänzt klinische Notizen um von Menschen validierte Fakten
TriNetX hat die NLP-basierte Extraktion von Fakten aus klinischen Notizen gestartet. Die Funktion liefert Forschern Datenpunkte aus klinischen Notizen mit Vertrauenswertungen und verknüpft sie mit strukturierten EHR-Daten derselben de-identifizierten Patienten. Nach Angaben des Unternehmens ist die Funktion in der Plattform TriNetX LIVE sowie in herunterladbaren Datensätzen verfügbar.
- TriNetX hat die NLP-basierte Extraktion von Fakten aus klinischen Notizen gestartet.
- Die Daten stammen aus mehr als 800 Millionen klinischen Notizen und Berichten.
- Jeder Fakt erhält eine Vertrauenswertung und wird anhand von Notizen geprüft, die von Menschen annotiert wurden.
- Nach Angaben von TriNetX stieg die Abdeckung des Rauchstatus von 22% auf 67%.
- Die Funktion steht Mitgliedern des TriNetX-Netzwerks zur Verfügung.
Von klinischen Notizen zu Forschungsdaten
Die Funktion greift auf mehr als 800 Millionen klinische Notizen und Berichte zurück. TriNetX erwartet, dass diese Zahl bis Ende 2026 etwa 1 Milliarde erreicht. Nach Angaben des Unternehmens enthalten die Notizen Informationen, die strukturierte Datensätze ergänzen können, darunter das Krankheitsstadium, den Leistungsstatus und Biomarker-Ergebnisse.
TriNetX erklärte, dass sich diese Details nur schwer zuverlässig extrahieren lassen. Der Ansatz kombiniert die Verarbeitung natürlicher Sprache mit klinischer und informatischer Expertise. Die Pipelines wurden anhand einer großen Sammlung annotierter Notizen nach Goldstandard trainiert. Die daraus gewonnenen Fakten sollen Forschern helfen, Kohorten zu erweitern und detailliertere klinische Phänotypen zu erstellen.
Die extrahierten Informationen decken derzeit die Sozialanamnese ab, darunter den Rauch- und Alkoholkonsum, sowie Kardiologie, Pneumologie, allgemeine Onkologie und Biomarker, Lebererkrankungen und weitere Bereiche. Die Funktion steht Mitgliedern des TriNetX-Netzwerks zur Verfügung.
Drei Schutzmechanismen für extrahierte Fakten
TriNetX zufolge wird jeder Fakt durch drei Schutzmechanismen abgesichert. Erstens prüfen und korrigieren klinische Experten die von der KI identifizierten Informationen. Anschließend werden die Modelle mit diesen Korrekturen erneut trainiert. Jedes Modul muss gegenüber von Menschen annotierten Notizen eine Präzision von mindestens 0.90 erreichen.
Zweitens vergleicht das Unternehmen die extrahierten Fakten mit erwarteten klinischen Mustern, statt sich ausschließlich auf Modellmetriken zu verlassen. TriNetX nannte als Beispiel Überlebenskurven auf Basis des extrahierten Leistungsstatus nach der Eastern Cooperative Oncology Group, kurz ECOG. Diese Kurven zeigten ein schlechteres Überleben für Patienten mit einem Wert von 2 und höher.
Drittens überwacht TriNetX die Modellleistung kontinuierlich, wenn weitere Gesundheitseinrichtungen seinem Programm für klinische Notizen beitreten und neue Notiztypen verfügbar werden. Nach Angaben des Unternehmens können die Modelle dadurch weiter verfeinert werden, sobald mehr Variationen in den Daten sichtbar werden.
Jeder Fakt erhält außerdem eine Vertrauenswertung und wird mit strukturierten elektronischen Gesundheitsaktendaten derselben de-identifizierten Patienten verknüpft. TriNetX erklärte, diese Kombination solle Forschung unterstützen, die beide Informationsquellen nutzt.
Erste Ergebnisse und Bedeutung für Forscher
Nach Angaben von TriNetX stieg die Abdeckung des Rauchstatus durch aus Notizen gewonnene Fakten von 22% auf 67%. In einer Kohortenstudie zu Lungenkrebs lieferte der Datensatz 6x mehr Patienten als strukturierte Daten allein. Zudem erfasste das Unternehmen den ECOG- und den Karnofsky-Leistungsstatus für 292.000 Onkologiepatienten, während diese Angaben in keinem der strukturierten Felder auftauchten.
August Calhoun, CEO von TriNetX, erklärte, der besondere Vorteil des Unternehmens liege in der Verbindung von KI und menschlicher Expertise über ein föderiertes Netzwerk hinweg, in dem die Daten bei den Einrichtungen bleiben, die sie erzeugt haben. Matvey Palchuk, MD, MS, FAMIA und Chief Medical Informatics Officer von TriNetX, sagte, kein System könne jedes Detail aus klinischen Notizen so extrahieren, dass es zugleich genau und aussagekräftig sei. Deshalb sei die Validierung wichtig.
Mitglieder des TriNetX-Netzwerks erhalten durch den Start Zugriff auf zusätzliche, analysebereite Informationen, die in strukturierten EHR-Feldern fehlen können. Nach eigener Darstellung konzentriert sich das Unternehmen auf die Extraktion von Fakten, die für die Evidenzgewinnung verlässlich sind. Die Validierungs- und Überwachungsprozesse sollen zugleich die Grenzen der automatisierten Analyse klinischer Sprache berücksichtigen.
