gms | German Medical Science

Einleitung: Der demografische Wandel lässt zunehmend schwerwiegende Nierenerkrankungen und damit eine Zunahme erforderlicher Nierentransplantationen (NTx) erwarten. Eine Abstoßung eines Nierentransplantats zu verhindern ist primäres Ziel der Nachbetreuung von NTx-Patient*innen. Gold-Standard der Abstoßungsdiagnostik ist die Biopsie, die einer rein klinischen Diagnostik bislang deutlich überlegen ist [1], als invasiver Eingriff in seltenen Fällen aber zu schwerwiegenden Komplikationen führen kann [2].

Das Verbundprojekt ScreenReject (SR) befasst sich mit der Entwicklung eines neuartigen Diagnostikums zur Abstoßungsdiagnostik. Ein Ziel des SR-Teilprojekts „Screen-Reject/KDWH: Klinisches Data Warehouse zur Abstoßungsdiagnostik nach NTx“ ist die auf klinischen Routinedaten von NTx-Patienten basierende Entwicklung eines Expertensystems zur ergänzenden Unterstützung der Abstoßungsdiagnostik.

Methodik: Zunächst wurden die aus Perspektive der klinischen Projektpartner für die Abstoßungsdiagnostik relevanten klinischen Routinedaten identifiziert und durch eine Literaturrecherche nach hierzu veröffentlichten Datenmodellen ergänzt [3]. Darauf aufbauend wurde ein Datenmodell eines relationalen Data Warehouses (SR-DWH) entwickelt. Im Rahmen einer Systemanalyse wurde die Verfügbarkeit der erforderlichen Daten im KIS der beteiligten Klinik erarbeitet und mittels ETL-Programmierung die verfügbaren Daten der unterschiedlichen klinischen Quellsysteme, insbesondere des Enterprise Clinical Research Data Warehouse (ECRDW) der MHH [4], in das SR-DWH übernommen [5]. Da einige Befunddaten ausschließlich als Freitexte vorliegen, wurden Methoden des Natural Language Processing (NLP) genutzt, um relevante Daten strukturiert aus den Befunddateien zu extrahieren [6].

Um die entwickelten Verfahren später auch in unterschiedlichen Systemumgebungen einsetzen zu können, erfolgte eine ergänzende prototypische Datenintegration auf Basis des internationalen openEHR-Standards für interoperable elektronische Gesundheitsakten (EGA) [7].

Ausgehend von dieser Datenbasis werden Methoden maschinellen Lernens (ML) angewendet, um einen Prädiktor für das Vorliegen einer Abstoßungsreaktion abzuleiten. Das Ergebnis des Prädiktors wird Bestandteil eines webbasierten Programms zur Visualisierung für die individuelle Abstoßungsdiagnostik relevanter klinischer Parameter von NTx-Patient*innen. Für die Datenvisualisierung wurde das auf openEHR basierende Visualisierungs-Framework EhrScape [8] genutzt.

Ergebnisse Für das Anwendungsszenario liegen ein relationales sowie ein auf openEHR basierendes Datenmodell als Datenintegrationsziel vor. Das hieraus resultierende klinische Data-Warehouse wurde mit den Daten von 147 Studienpatient*innen befüllt. Für das auf openEHR basierende Datenmodell wurden fünf Archetypen und 18 Templates neu entwickelt. Bisherige Ergebnisse des Trainings von ML-Klassifikatoren auf Basis klinischer Routinedaten (138 Biopsien davon 86 mit diagnostizierter Abstoßungsreaktion) lassen mit z.B. KNN eine Sensitivität, Spezifitität und AUC sowie einen PPV und NPV besser als 0.8 erwarten (Testsetgröße: 25%). Zur Visualisierung für die Abstoßungsdiagnostik relevanter klinischer Parameter liegt ein implementierter Prototyp vor.

Diskussion und Ausblick: Die Datenintegration in das SR-DWH profitierte erheblich vom vorhandenen ECRDW, die Integration darin nicht enthaltener Daten stellte sich vielfach als aufwändig dar. Für nur in Freitexten vorhandene Informationen konnten teilweise NLP-Verfahren zur Datenextraktion eingesetzt werden, nicht vermeidbare Erkennungsfehler machten manuelle Nachkontrollen nötig. Perspektivisch kann der Aufwand der Datenbereitstellung bei Verfügbarkeit einer EGA gemäß Standards wie openEHR erheblich reduziert werden.

Die bisherigen Experimente mit ML-Verfahren zur Entwicklung eines Prädiktors für das Vorliegen einer NTx-Abstoßungsreaktion sind vielversprechend und werden bis 12/2021 unter Einbeziehung weiterer Daten ausgebaut und validiert, die resultierende Vorhersage einer Abstoßung wird in den Prototyp eines entscheidungsunterstützenden Systems für die Abstoßungsdiagnostik integriert.

Projektförderung: Das Projekt wird im Rahmen des EFRE-Förderprogramms mit Mitteln der EU und des Landes Niedersachsen gefördert (Laufzeitende 08/2021).

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass ein positives Ethikvotum vorliegt.