Publikationen & Ressourcen

Ophthalmologie-Terminologie im Terminologie-Austausch-Format OBO

Averbis GmbH

Im Rahmen von TOPOs wurden deutschsprachige Fachtermini auf bestehende SNOMED CT-Codes gemappt, die von Ophthalmologen als besonders relevant Termini in Arztbriefen identifiziert und extrahiert wurden. Diese wurden von Averbis umfassend mit deutschen Synonymen erweitert und in das Terminologie-Austausch-Format OBO überführt. Insgesamt enthält die Terminologie 124 Vorzugsterme und 656 Synonyme.

Der Ophthalmologe, 1-9.

Ziel der Arbeit

Wie weit auswertbare Information aus Kliniktexten automatisch gewonnen werden kann, sollte in einer retrospektiven Studie analysiert werden. Ziel war die Einschätzung der Eignung eines zu diesem Zweck parametrierten Text-Mining-Verfahrens.

Material und Methoden

Es standen Daten zu 3683 Patienten zur Verfügung, davon 40.485 Arztbriefe. Für einen Teil waren die interessierenden Daten (Visus, Tensio und Begleitdiagnosen) auch strukturiert erfasst worden und konnten so als Goldstandard für die Textanalyse dienen. Diese wurde mit dem System Averbis Health Discovery durchgeführt. Zur Optimierung auf die Extraktionsaufgabe wurde dieses mit Regelwissen sowie mit einem deutschsprachigen Fachvokabular für die internationale Medizinterminologie SNOMED CT angereichert.

Ergebnisse

Die Übereinstimmung der Datenextrakte mit den strukturierten Datenbankeinträgen wird durch den F1-Wert beschrieben. Hierbei ergab sich eine Übereinstimmung von 94,7 % für den Visus, 98,3 % für die Tensio und 94,7 % für begleitende Diagnosen. Die manuelle Analyse nicht übereinstimmender Fälle zeigte zur Hälfte, dass Textinhalte aus verschiedenen Gründen von Datenbankinhalten abwichen. Nach einer daraus berechneten Adjustierung lagen die F1-Werte noch 1–3 % über den zuvor ermittelten Werten.

Diskussion

Für den betrachteten Arztbriefkorpus und die beschriebene Fragestellung sind Text-Mining-Verfahren sehr gut geeignet, um Inhalte zur weiteren Auswertung strukturiert aus Kliniktexten zu extrahieren.

Combining Visual Cleansing and Exploration for Clinical Data

Schmidt, C., Röhlig, M., Grundel, B., Daumke, P., Ritter, M., Stahl, A., … & Schumann, H. (2019, October)

In 2019 IEEE Workshop on Visual Analytics in Healthcare (VAHC) (pp. 25-32). IEEE.
Clinical data have their own peculiarities, as they evolve over time, may be incomplete, and are highly heterogeneous. These characteristics turn a thorough analysis into a challenging task, especially since domain experts are aware of the data flaws, which may impact their trust in the data. As we obtained anonymized clinical data from more than 3,500 patients with retinal diseases, we have to address these challenges. We define a workflow that integrates data cleansing and exploration in an iterative process, so that users are able to easily find anomalies and patterns in the data at any point in their analysis.

We implement our workflow in a user-centered visual analytics tool with dedicated visualization and interaction techniques. In collaboration with experts, we apply our tool to examine the interdependency between patients‘ visual acuity developments and treatment patterns. We find, that real-life data often have unforeseen incidents which can strongly influence the overall visual acuity development. This differs to study results, which are usually conducted under restrictive conditions and have shown visual acuity improvement with on-schedule treatment.

Christoph Schmidt, Paul Rosenthal and Heidrun Schumann
Institute of Computer Science, University of Rostock, Einsteinstrasse, Rostock, Germany

Während die visuelle Datenanalyse die Auswertung großer Datenmengen unterstützt, erlaubt der Einsatz von Annotationen die Ergänzung der Daten um zusätzliche Informationen, wie beispielsweise manuell oder automatisch gewonnene Erkenntnisse aus den Daten oder zusätzliche Informationen des Anwenders zu den Daten. Trotz der Tatsache, dass Annotationen bereits gelegentlich in Anwendungen integriert wurden, ist eine strukturierte Analyse des Einsatzes noch immer Gegenstand der Forschung.

In unserem Artikel zeigen wir, wie die Eigenschaften, Einsatzmöglichkeiten und Klassen von Annotationen strukturiert in einer Morphologischen Box zusammengefasst und in das Wissensgenerierungsmodell von Sacha et al. Integriert werden können. Anhand von use-case Beispielen werden die einzelnen Eigenschaften erläutert.

DOG 2018, Workshop WS11: The future of retinal imaging – a peek behind the curtains
This workshop will provide an insight into current developments in retinal imaging analysis. The range of presented topics covers handheld, patient-operated OCT, predictive OCT algorithms for anti-VEGF treatment planning and automated fundus image analysis for objective grading of retinal disease.

All presentations will be viewed in light of what is currently possible and what is waiting around the corner. A reading center perspective will add a special focus on how these new methods will influence the way we analyze our routine clinical data and conduct clinical trials.

DOG 2018, Symposium DS05: Deep learning in Ophthalmology – Technical approaches
Deep learning represents a new technology, which will make decision support systems and automatic imaging analysis possible. Currently, the focus is on OCT imaging modalities. In this symposium, computer scientists will present their current projects in the field of Ophthalmology in a clinical context. The symposium shall provide a forum for exchange between different working groups.

DOG 2018, Workshop DS10: Deep Learning in der Augenheilkunde: Klinischer Einsatz
Die automatisierte Bildanalyse ist aufgrund der zunehmenden Datenmengen zu einem unverzichtbaren Werkzeug in der Augenheilkunde geworden. Algorithmen werden bereits in Studien eingesetzt und werden bald auch in unseren klinischen Alltag einfließen. Dieses Symposium wird einen Überblick über Ansätze der klinischen Anwendungen von Deep Learning und Machine Learning in der Augenheilkunde bieten.