Programmpunkt

14:00–14:10

Titel: Auswertung der Ersteinschätzung-Routine-Daten unter Verwendung von statistischen Analyseverfahren zur Früherkennung von epidemischen Gefahrenlagen
ID: V01
Art: ePoster-Vortrag
Redezeit: 5 + 5 min
Session: Postersitzung

Referent: Nermin Avan (Offenbach/DE)


Abstract - Text

Abstract-Text (inkl. Bildunterschriften und Referenzen)

Einleitung


Im Rahmen des Projektes zur "Erkennung und Steuerung epidemiologischer Gefahrenlagen (ESEG)" werden die Echtzeitdaten aus dem EDV-gestützten MTS-Ersteinschätzungssystem als Datengrundlage für die Entwicklung eines Frühwarnsystems zur Abwehr epidemiologischen Lagen verwendet. Die Auswertung der Daten erfolgt unter Anwendung statistischer Analyseverfahren basierend auf neuen Methoden der Künstlichen Intelligenz (KI) und des Maschinellen Lernens (ML).


Methode


Zur Erkennung von Auffälligkeiten in Notaufnahmedaten wurde ein Prototyp entwickelt. Durch die Datenanalysemethoden des Maschinellen Lernens wird die Häufigkeit aller möglichen Symptomkonstellationen, die in der Vergangenheit beobachtet wurden, mit den Fallzahlen am aktuellen Datum verglichen. Auffälligkeiten werden aufgelistet und nachträglich durch klinische Ärzte eingeordnet.


Ergebnisse


Zur Veranschaulichung ist ein Beispiel aus der Analyse der Notaufnahmedaten aus der Modellklinik Sana Klinikum Offenbach im Jahr 2018 dargestellt (Abb 1). Die Analyse zeigt, dass am 28.12.2018 zwei Auffälligkeiten identifiziert wurden. Die erste Auffälligkeit betrifft Kinder (<18 Jahre) mit Atemnot. Ausgehend von 199 Patienten, die sich an diesem Tag in der ZNA vorstellten, wurden ca. 2,6 Patienten aus dieser Symptomgruppe erwartet. Allerdings wurden 12 Patienten mit diesen Merkmalen beobachtet. Der Algorithmus schätzt in diesem Fall eine Observierung von zwölf oder mehr Patienten mit 0,08 % als äußerst unwahrscheinlich ein. Die zweite Auffälligkeit betrifft die Gruppe von männlichen Personen mit Atemnot. Für die entsprechende Symptomkonstellation wurden für diesen Tag ungefähr 3,9 Patienten erwartet, jedoch wurden 14 Patienten beobachtet. Mit einer Wahrscheinlichkeit von 0,06 % wird dieses Ereignis ebenfalls als äußerst unwahrscheinlich eingestuft.


Schlussfolgerung Ausblick


Nach klinischer Wertung ist im nächsten Schritt die Erweiterung des Systems vorgesehen, so dass Effekte für den aktuellen Tag wie bspw. Wochentag, Wetter, Grippesaison etc. berücksichtigt werden.


Diese Arbeit ist Teil des Konsortiums ESEG "Erkennung und Steuerung Epidemischer Gefahrenlagen, gefördert durch den Innovationsausschuss des Gemeinsamen Bundesausschuss (G-BA) [ESEG Projekt, Fördernummer 01VSF17034].


Literatur


Buckeridge, D. L., Burkom, H., Campbell, M. et al: Algorithms for rapid outbreak detection: a research synthesis. Journal of Biomedical Informatics 38 (2), 99-113 (2005). https://doi.org/10.1016/j.jbi.2004.11.007