DARIO - DIGITALE DIAGNOSEUNTERSTÜTZUNG VON HERZSCHWÄCHE (HFPEF) MIT KÜNSTLICHER INTELLIGENZ UND SNOMED CT - BFARM

DARIO -
Digitale Diagnoseunterstützung von
Herzschwäche (HFpEF) mit Künstlicher
Intelligenz und SNOMED CT

Mark Bukowski
Robert Farkas
Marlo Verket
Dirk Müller-Wieland
Dieter Maier

Abt. Science Management, Institut für Angewandte Medizintechnik, RWTH Aachen
Klinik für Kardiologie, Angiologie und internistische Intensivmedizin, RWTH Aachen
Biomax Informatics AG

Kontakt: dieter.maier@biomax.com

Klinischer Bedarf

• Herzinsuffizienz:
  eine der häufigsten Ursachen für einen Krankenhausaufenthalt

• 50% der Fälle leiden unter HFpEF:
  “Herzinsuffizienz mit erhaltener systolischer Pumpfunktion“

                 • Hohe 5-Jahres-Sterblichkeit von 76%

                 • Diagnose erfordert Integration unterschiedlichster
                   Fachuntersuchungen

                 • Informationen oft verborgen & verteilt
   HFpEF
                   im KIS und z.B. in Arztbriefen

   HFpEF bleibt oft unerkannt mit hoher Sterblichkeit

   Hoher Bedarf an Diagnoseunterstützung

Konzept – CDSS mit KI auf strukturierten Daten

                                                                   Herzschwäche
     DARIO                                                            HFpEF?
    EKG

                                          Künstliche Intelligenz
          Arztbrief
          ~~~~~~~~
          ~~~~~~
          ~~~~~

               Labor
               ~~~~~
               ~~
                                                           KI
               ~~~~

                                   SNOMED CT

                       Strukturierung

Arbeitsschritte

SNOMED CT basierte Datenstrukturierung
 • Datengrundlage (Trainingsdatensatz für Extraktion):
   1000 Herzinsuffizienz-Patienten, >50 medizinischen Parametern +
   aktuelle Versorgungs- und Studiendaten (vorhanden, validierte Daten!)

 • Automatisierte Extraktion und Strukturierung von Informationen
   aus Arztbriefen über Natural Language Processing (NLP) und KI als
   Abbildung in SNOMED CT Terme

             Arztbrief
             ~~~~~~~~~~~
             ~~~
             ~~~~~

                                     SNOMED CT

SNOMED CT Verwendung – erste Schritte
 • Themenbereich Herzinsuffizienz der SNOMED CT beim NKZ des BfArM zur
   Priorisierung für die deutsche Übersetzung angemeldet

 • Evaluation von Software-Bibliotheken, Sprachmodellen und Technologien
   wie cTAKES, MetaMap, openNLP und BERT zur grammatikalischen
   Aufarbeitung und Informationsextraktion

 • Analyse von ergänzenden Ontologien zur Extraktion von Synonymen für die
   Named Entity Recognition (NER)

 • Frequency basierte Textanalyse zur Ergänzung der NER dictionaries

 • Training spezifischer Machine Learning Modelle anhand der vorliegenden
   Trainingsdaten zur Ergänzung klassischer NLP Verfahren (Evaluation
   verschiedener Deep Learning Pakete wie PyTorch und Tensorflow)

 Vorarbeit: https://ailani.ai Proof-of-Concept zur Integration NLP + ML im Bereich COVID-
 19 Literatur

SNOMED CT basierte Klassifikation
 • Datengrundlage (Trainingsdatensatz vorhanden + validiert):
   1000 Herzinsuffizienz-Patienten, >50 medizinischen Parametern +
   aktuelle Versorgungs- und Studiendaten

 • Entwicklung eines erklärbaren Vorhersagemodells zur
   Klassifikation HFpEF vs. Kein-HFpEF durch die Kombination
   multipler KI Methoden angewandt auf SNOMED CT strukturierten
   Informationen

                             KI
      SNOMED CT

KI Ansatz
• Self-Organising-Maps
  • Ähnlichkeitsanordnung von Patienten
  • Identifizierung von Patientenclustern & Charakteristiken
  • Eignungsprüfung der charakteristischen Parameter

• Erlernen der Klassifikation HFpEF vs. Kein-HFpEF
  • Anwendung White-Box-Verfahren wie Decision Tree und Black-Box-Verfahren
    (z.B. Recurrent Neural Networks) auf SNOMED CT und weitere Feature
  • Feature Engineering: z.B. SNOMED CT Graph Embeddings mit node2Vec

• Erklärbarkeit der Klassifikation
  • Erklärungsmodell entwickeln (z.B. SHAP - Vorhersagequalität mit/ohne jeweiliges
    Feature)
  • Erkenntnisse (Feature Importance) klinisch evaluieren und Klassifikation optimieren
    (z.B. durch Feature Boosting)

Vorarbeit: Bukowski, M., Winkler, S., Schmitz-Rode, T. & Farkas, R. Exploiting the taxonomic
structure of SNOMED CT concepts for machine learning using modified tree representations – A
feasibility study. In 54th Annual Conference of the German Society for Biomedical Engineering
(2020).

Klinische Anwendung
 • Nach erfolgreicher klinischer Validierung der Qualität der
   Klassifikation ist der Einsatz als klinisches
   Entscheidungsunterstützungssystem geplant (CDSS)

 • Softwareimplementierung eines CDSS Prototyps im Projekt

 • Klinische Validierungsstudie und Softwarezertifikation nach
   Projektende

Thank you!

             www.biomax.com