So extrahieren Sie Radiologie- und Entlassungsberichtsdaten
für klinische Audits

Zwei Dokumenttypen, ein Extraktionsproblem

Radiologieberichte und Entlassungsbriefe liegen an entgegengesetzten Enden des Krankenhausaufenthalts eines Patienten – der eine hält einen diagnostischen Moment fest, der andere fasst den gesamten Aufenthalt zusammen –, aber sie teilen dasselbe Problem der Datenzugänglichkeit. Beide werden als narrative Dokumente erstellt. Beide enthalten Felder, die klinische Register, Forschungsdatenbanken und Qualitätsaudits als strukturierte Werte benötigen. Und in den meisten Krankenhaussystemen verlassen beide die EHR als PDFs, ohne dass diese Struktur erhalten bleibt.

Ein Radiologiebericht folgt einer bemerkenswert konsistenten internen Architektur. Der Practice Parameter des American College of Radiology (ACR) für die Kommunikation diagnostischer Bildgebungsbefunde definiert fünf Standardabschnitte: klinische Indikation (warum die Untersuchung angeordnet wurde), Technik (Modalität, Kontrastmittel, Bildgebungsparameter), Vergleich (mit früheren Untersuchungen), Befunde (die detaillierte Erzählung dessen, was der Radiologe beobachtet hat) und Eindruck (die prägnante diagnostische Schlussfolgerung). Das Breast Imaging Reporting and Data System (BI-RADS) – weithin als Goldstandard der strukturierten Befundung angesehen – zeigt, was passiert, wenn jeder dieser Abschnitte auf diskrete, abfragbare Felder abgebildet wird. Aber BI-RADS ist die Ausnahme. Die meisten Radiologieberichte sind Freitextdiktate, die diese Abschnitte inkonsistent oder gar nicht verwenden, sodass die Daten in Prosa eingeschlossen bleiben.

Ein Entlassungsbrief folgt einer anderen, aber ebenso vorhersehbaren Vorlage. Der Standard RC.02.04.01 der Joint Commission schreibt sechs Kernkomponenten vor: Grund für den Krankenhausaufenthalt, wesentliche Befunde, durchgeführte Verfahren und Behandlungen, Zustand des Patienten bei Entlassung, Entlassungsmedikation und Folgeanweisungen. Die Centers for Medicare & Medicaid Services fügen unter der Teilnahmebedingung für die Entlassungsplanung eigene Anforderungen hinzu. Jedes akkreditierte Krankenhaus erstellt Entlassungsbriefe, die diese Elemente enthalten. Aber das Format – welche Felder beschriftet sind, welche in Freitext eingebettet sind, ob Diagnosen mit ICD-Codes oder als Beschreibungen in einfacher Sprache erscheinen – variiert stark zwischen Krankenhäusern und sogar zwischen Abteilungen innerhalb desselben Krankenhauses.

Was aus einem Radiologiebericht extrahiert werden sollte

Ein Radiologiebericht enthält mehr Text, als die meisten Menschen annehmen. Ein typisches CT-Thorax mit Kontrastmittel erzeugt einen Bericht, der mehrere Absätze umfasst, aber die Felder, die Sie tatsächlich für ein Register oder eine Prüfung benötigen, passen in etwa zehn Spalten. Der Rest – der Name des durchführenden Technologen, die Details zur Strahlendosis, der Diktatzeitstempel – sind kontextuelle Informationen, die die PDF behalten kann.

Die zehn Felder, die sich zu extrahieren lohnen, und warum jedes davon wichtig ist:

Das Feld „Befund" verdient besondere Aufmerksamkeit. Mit 200–500 Wörtern in einem typischen Bericht ist es zu lang, um es erneut einzutippen, und zu informationsdicht, um es zu ignorieren. Es ist das Feld, in dem sowohl „Konsolidierung im rechten Unterlappen" als auch „kein Hinweis auf Lungenembolie" vorkommen – gegensätzliche Schlussfolgerungen, die ein auf Kontrollkästchen basierendes Abstraktionsformular zu einem einzigen Flag „abnormal" zusammenfassen würde, wodurch die Spezifität verloren ginge, die die Daten für die Forschung nützlich macht. Die Extraktion der vollständigen Erzählung bewahrt diese Granularität. Filterung und Kodierung können später erfolgen; entscheidend in der Extraktionsphase ist, dass nichts vorzeitig zusammengefasst wird.

Was aus einem Entlassungsbrief zu extrahieren ist

Während Radiologieberichte strukturierte Erzählungen sind, sind Entlassungsbriefe semistrukturierte Hybride – eine Mischung aus diskreten Feldern (Aufnahmedatum, Entlassungsdatum) und Freitextabschnitten (Krankenhausverlauf, Entlassungsanweisungen). Genau diese hybride Natur macht die manuelle Abstraktion so zeitaufwendig. Die diskreten Felder sind leicht zu finden, aber mühsam einzutippen. Die Freitextabschnitte erfordern Leseverständnis, um die spezifischen Werte zu lokalisieren – eine Diagnose, die in Absatz drei verborgen ist, eine Medikamentenänderung, die in Absatz fünf beschrieben wird.

Die zehn Felder, die für Registerabstraktion, Forschung und Audit relevant sind:

Entlassmedikationen sind durchgängig das am schwersten manuell zu erfassende Feld – nicht weil die Informationen schwer zu finden sind, sondern weil sie vier Unterfelder (Medikament, Dosis, Frequenz, Dauer) enthalten, die oft in einem einzigen Textabsatz erscheinen. Ein Abschnitt zur Medikationsabstimmung könnte in einer Zeile „Metoprololsuccinat 50 mg p.o. täglich, zu Hause fortsetzen" und in der nächsten „Apixaban 5 mg p.o. 2-mal täglich für 30 Tage, danach 2,5 mg 2-mal täglich" auflisten. Der Abstraktor muss jede Zeile in Komponentenfelder zerlegen, bevor er sie in das Register eingibt – er führt also Dateneingabe und Datennormalisierung gleichzeitig durch.

Schritt für Schritt: Vom PDF-Export zur strukturierten Tabelle

Der Workflow, der die manuelle Abstraktion ersetzt, umfasst vier Phasen. Keine davon erfordert Programmierung, IT-Bereitstellung oder EHR-Integration. Die Eingabe ist ein Satz von PDFs, die aus dem Krankenhausinformationssystem exportiert wurden. Die Ausgabe ist eine Excel-Tabelle mit einer Zeile pro Dokument und einer Spalte pro Feld.

Ein bemerkenswertes Verhalten der Tabelle: Wenn Sie eine Mischung aus Radiologiebefunden und Entlassungsbriefen in derselben Charge hochladen, entspricht jede Zeile in der Ausgabe einem Dokument. Ein Radiologiebefund enthält Werte in Spalten wie „Untersuchungsart" und „Befund", aber leere Zellen unter „Entlassmedikationen" und „Nachsorgetermine". Ein Entlassungsbrief zeigt das Gegenteil. Dies ist korrektes Verhalten – die Tabelle ist eine Vereinigung aller von Ihnen definierten Spalten, und jedes Dokument füllt die für seinen Typ relevanten Spalten aus. Für Projekte, die beide Dokumenttypen benötigen, wird die einzelne Tabelle auf natürliche Weise zu einer Master-Datentabelle, in der Sie nach Dokumenttyp filtern können, um reine Radiologie- oder reine Entlassungsdatensätze zu isolieren.

Vier klinische Anwendungsfälle, bei denen Extraktion das Abtippen ersetzt

Der oben beschriebene Arbeitsablauf ist nicht theoretisch. Er lässt sich direkt auf die häufigsten Szenarien übertragen, in denen klinische Datenextraktoren Stunden damit verbringen, Daten aus narrativen Berichten in strukturierte Datenbanken zu übertragen.

Klinische Register-Abstraktion (STS, GWTG, NCDR)

Die Nationale Datenbank der Society of Thoracic Surgeons (STS), das NCDR des American College of Cardiology (einschließlich der Module CathPCI, Chest Pain-MI und AFib) sowie das Programm Get With The Guidelines (GWTG) der American Heart Association erfordern alle diskrete Datenelemente, die aus Patientenakten abstrahiert werden. Ein einzelner CathPCI-Fall kann über 150 Datenpunkte erfordern. Ein einzelner GWTG-Stroke-Fall kann über 80 erfordern. Diese Datenpunkte sind über Aufnahmebefunde, Eingriffsberichte, Entlassungsbriefe und Bildgebungsberichte verstreut – und die Aufgabe des Abstraktors besteht darin, jeden einzelnen in einer PDF-Datei zu finden und in die Datenerfassungsoberfläche des Registers einzutippen.

Die Extraktion macht den Abstraktionsablauf nicht überflüssig – einige Registerfelder erfordern klinisches Urteilsvermögen, das nur ein geschulter Abstraktor erbringen kann. Sie eliminiert jedoch den Transkriptionsschritt für die Felder, die wörtlich in Radiologie- und Entlassungsberichten erscheinen: Untersuchungsdaten, ICD-10-Codes, Verfahrensnamen, Medikamentenlisten. Der Abstraktor beginnt mit einer vorausgefüllten Tabelle mit diesen Werten und fügt dann die urteilsabhängigen Felder hinzu. Der Unterschied zwischen dem Extrahieren von 80 Feldern von Grund auf und dem Extrahieren von 30 Feldern, nachdem 50 automatisch ausgefüllt wurden, ist der Unterschied zwischen einem Durchsatz von 3 Fällen pro Tag und 8.

Qualitätsverbesserungs-Audits

Qualitätsabteilungen von Krankenhäusern ziehen routinemäßig Patientenakten für gezielte Audits heran – Einhaltung der Door-to-Balloon-Zeit, Raten der Medikationsabstimmung bei Entlassung, Angemessenheitskriterien für die Nutzung fortgeschrittener Bildgebung. Jedes Audit beginnt mit einer Fallliste und endet mit einer Tabellenkalkulation, und dazwischen liegt die manuelle Aktenprüfung. Bei einem Audit von 100 radiologischen Befunden, bei dem geprüft wird, ob die klinische Indikation vor der Kontrastmittelgabe dokumentiert wurde, verwandelt das Extrahieren des Felds „Klinische Indikation" aus jeder PDF-Datei in eine einzelne Spalte einen halben Tag Leseaufwand in einen fünfminütigen Scan einer Tabellenspalte.

Das Royal College of Radiologists unterhält eine Bibliothek mit über 100 radiologischen Audit-Vorlagen, die jeweils festlegen, welche Datenelemente erfasst werden müssen. Die meisten dieser Elemente – Untersuchungsart, Wartezeit, Befundbearbeitungszeit, Einhaltung der Befundstandards – existieren als diskrete Felder in radiologischen Befunden. Wenn man sie vor Beginn der Audit-Analyse in eine Tabellenkalkulation extrahiert, verkürzt sich die Datenerfassungsphase eines Audit-Zyklus, die RCR-Vorlagen typischerweise auf mehrere Wochen Teilzeitarbeit schätzen, erheblich.

Identifizierung klinischer Forschungsfälle

Ein Forschungskoordinator, der eine Kohorte für eine retrospektive Studie aufbaut, muss Entlassungsbriefe auf bestimmte Einschlusskriterien prüfen: eine Hauptdiagnose einer akut dekompensierten Herzinsuffizienz, eine Verweildauer von mehr als 48 Stunden, eine Entlassungsmedikationsliste, die einen Betablocker enthält. Bei manueller Prüfung bedeutet dies, jede PDF-Datei zu öffnen, die relevanten Felder herauszulesen und für jedes Kriterium eine Ja/Nein-Entscheidung zu erfassen. Mit der Extraktion sind die ICD-10-Codes, die Verweildauer und die Medikationsliste bereits in einer Tabellenkalkulation – der Koordinator prüft durch Sortieren und Filtern, nicht durch Lesen.

Der Effizienzgewinn betrifft nicht nur die Zeit, sondern auch die Vollständigkeit. Bei einer manuellen Prüfung von 200 Akten werden unweigerlich Fälle übersehen, in denen das qualifizierende Kriterium anders formuliert ist als erwartet – „CHF-Exazerbation" statt „akut dekompensierte Herzinsuffizienz" oder „Metoprolol" unter „häusliche Medikation" statt unter „Entlassungsmedikation". Eine KI, die das gesamte Dokument semantisch liest, erfasst diese Varianten, indem sie deren Bedeutung versteht, nicht indem sie Zeichenketten abgleicht. Die geprüfte Kohorte ist größer und vollständiger – zwei Eigenschaften, die direkt die statistische Aussagekraft der resultierenden Studie verbessern.

Vorbereitung der Mortalitätsprüfung

Krankenhausausschüsse für Mortalitätsprüfung — von den meisten Akkreditierungsstellen gefordert und zunehmend von staatlichen Qualitätsvorschriften verlangt — müssen jeden stationären Todesfall überprüfen. Jede Prüfung erfordert eine Fallzusammenfassung auf Grundlage des Entlassungsberichts: Aufnahmedatum, Hauptdiagnose, während des Aufenthalts durchgeführte Eingriffe, Entlassungsart (in diesem Fall Tod) sowie dokumentierte Komplikationen oder unerwartete Ereignisse. Die Zusammenstellung dieser Zusammenfassungen für eine monatliche Sitzung zur Mortalitätsprüfung mit 20 bis 50 Fällen bedeutet, dass eine Qualitätsfachkraft Tage damit verbringt, dieselben Felder aus demselben Dokumenttyp Fall für Fall zu extrahieren.

Die Extraktion der Entlassungsberichtsfelder in eine Tabellenkalkulation — eine Zeile pro Verstorbenem, eine Spalte pro gefordertem Prüfelement — erzeugt eine Übersichtstabelle, die den Ausschussmitgliedern vor der Sitzung verteilt werden kann. Die Vorbereitungszeit der Qualitätsfachkraft verschiebt sich von der Datenerfassung zur Falltriage: welche Fälle eingehendere Analysen benötigen, welche Muster zeigen, die eine Untersuchung wert sind, welchen einem vorhersehbaren klinischen Verlauf folgen.

Was KI-Extraktion mit klinischem Text kann und was nicht

Grenzen konkret zu benennen ist im klinischen Kontext keine Schwäche — es unterscheidet ein verlässliches Werkzeug von einem, das zu viel verspricht. Hier verläuft die Grenze.

Es extrahiert, was geschrieben steht, nicht was impliziert wird. Wenn ein Entlassungsbericht besagt: „Patient nachts hypotensiv, sprach auf Flüssigkeitsgabe an", extrahiert die KI diesen Satz als Text des Krankenhausverlaufs. Sie schließt nicht daraus, dass der Patient eine hypotensive Episode mit spezifischer Schwere oder Dauer hatte. Die klinische Schlussfolgerung — das Urteil, dass diese Episode für Registerzwecke eine Komplikation darstellt — bleibt beim Abstraktor. Die KI liefert das Rohmaterial; der Abstraktor liefert die klinische Interpretation.

Handschriftliche Anmerkungen auf ausgedruckten Berichten verringern die Genauigkeit. Ein klares, direkt aus einer EHR erzeugtes PDF liefert zuverlässige Extraktion. Ein gescannter Ausdruck — insbesondere mit handschriftlichen Randnotizen, Faxartefakten oder mehreren Kopiergenerationen — kann die Genauigkeit bei Text in der Nähe der beschädigten Bereiche beeinträchtigen. Wenn Ihr Arbeitsablauf das Drucken von Berichten, das Annotieren und das erneute Einscannen umfasst, erfasst die Extraktion den gedruckten Text zuverlässig, die handschriftlichen Anmerkungen jedoch mit unterschiedlicher Genauigkeit je nach Lesbarkeit.

Tief verschachtelte strukturierte Felder können die semantische Zuordnung erschweren. Wenn eine Entlassungsmedikationsliste als unstrukturierter Absatz formatiert ist (im Gegensatz zu einer Tabelle), kann die KI „Metoprolol 50 mg täglich, Lisinopril 10 mg täglich, Apixaban 5 mg zweimal täglich" in drei Medikamenteneinträge parsen. Wenn sie als dichte Tabelle mit verbundenen Zellen, inkonsistenten Abständen und Fortsetzung über Seitenumbrüche formatiert ist — wie es bei einigen älteren Krankenhausberichtsformaten der Fall ist — sinkt die Genauigkeit bei der Zuordnung von Unterfeldern (Medikament vs. Dosis vs. Häufigkeit). In solchen Fällen kann es praktischer sein, den vollständigen Medikamententext als einzelnes Feld zu extrahieren und ihn nach der Extraktion manuell zu unterteilen, als von der KI zu erwarten, eine fehlerhafte Tabelle perfekt zu parsen.

Die HIPAA-Konformität hängt von Ihrer Handhabung ab, nicht vom Werkzeug. Der Extraktionsprozess verarbeitet Dateien im Speicher und speichert sie nach der Sitzung nicht. Das Hochladen von Patientendaten in ein cloudbasiertes Werkzeug erfordert jedoch eine Geschäftspartnervereinbarung (BAA), wenn die Daten geschützte Gesundheitsinformationen enthalten. Das Werkzeug verarbeitet Daten über verschlüsselte Verbindungen, aber die Verantwortung für die HIPAA-Konformität in Ihrem spezifischen institutionellen Kontext — einschließlich der Frage, ob eine BAA erforderlich ist und ob Ihre IRB oder Datenschutzabteilung den Arbeitsablauf genehmigt — liegt bei Ihnen.

FAQ

Funktioniert das mit gescannten Papierberichten oder nur mit nativen PDFs?

Beides. Native PDFs, die direkt aus einer EHR erzeugt werden, liefern die zuverlässigsten Ergebnisse, da der Text maschinell erzeugt wurde. Gescannte Papierberichte – einschließlich solcher, die gedruckt, annotiert und erneut gescannt wurden – werden durch direktes Auslesen des Textbilds verarbeitet, ohne separaten OCR-Vorverarbeitungsschritt. Die Genauigkeit bei gescannten Berichten hängt von der Scanqualität ab: Ein sauberer 300-DPI-Scan eines gedruckten Berichts schneidet fast so gut ab wie ein natives PDF. Eine Faxkopie einer Kopie mit schiefem Seitenlayout und starker Schattenbildung weist eine geringere Genauigkeit auf, insbesondere bei kleinem Text wie Medikamentendosierungen.

Was ist, wenn mein Krankenhaus andere Abschnittsüberschriften verwendet als die hier beschriebenen?

Die Extraktion gleicht Abschnittsüberschriften nicht per exakter Zeichenkette ab. Wenn die radiologischen Befunde Ihres Krankenhauses den Befundabschnitt als „Conclusion" oder „Assessment" bezeichnen – oder wenn der Entlassungsbrief den Krankenhausverlauf als „Summary of Stay" statt als „Hospital Course" bezeichnet – erkennt die KI diese als semantische Äquivalente. Die von Ihnen definierten Spaltennamen dienen als kanonische Bezeichnungen, und die KI übernimmt die Zuordnung unabhängig von der Terminologie des jeweiligen Berichts. Das bedeutet, Sie können jederzeit Berichte aus einem neuen Krankenhaus oder einer neuen Abteilung hinzufügen, ohne etwas neu konfigurieren zu müssen.

Kann dieselbe Batch sowohl radiologische Befunde als auch Entlassungsbriefe enthalten?

Ja. Wenn Sie Spalten definieren, die Felder aus beiden Dokumenttypen umfassen – z. B. Untersuchungsart, Befund, Aufnahmedatum und Entlassungsmedikation –, füllt jeder radiologische Befund die radiologiespezifischen Spalten (wobei entlassungsspezifische Spalten leer bleiben), und jeder Entlassungsbrief füllt die entlassungsspezifischen Spalten (wobei radiologiespezifische Spalten leer bleiben). Die Ausgabetabelle enthält alle Zeilen mit allen Spalten, und Sie können nach Dokumenttyp oder danach filtern, ob eine bestimmte Spalte befüllt ist, um Ihre rein radiologischen oder rein entlassungsbezogenen Datensätze zu isolieren.

Wie gehe ich mit Entlassungsmedikationen um, die als Freitext statt in einer Tabelle aufgeführt sind?

Wenn die Medikamentenliste als fortlaufender Text statt als strukturierte Tabelle formatiert ist, definieren Sie Ihre Spalte als „Entlassungsmedikation" (den vollständigen Text), anstatt zu versuchen, Unterfelder (Wirkstoff, Dosis, Häufigkeit) in einem einzigen Durchgang zu extrahieren. Die KI erfasst den vollständigen Medikamententextblock. Sie können diesen dann entweder manuell in Excel unterteilen oder einen zweiten Extraktionsdurchgang nur auf den Medikamententext ausführen, um ihn in strukturierte Unterfelder zu parsen. Wenn Sie mit dem vollständigen Text als Spalte beginnen, erhalten Sie sowohl die Geschwindigkeit der automatisierten Extraktion für den Gesamtfall als auch die Flexibilität, unstrukturierte Medikamentenlisten zu verarbeiten, ohne die KI zu Parsing-Entscheidungen zu zwingen, die besser von einem menschlichen Prüfer getroffen werden.

Ist das für ein kleines Forschungsprojekt geeignet oder nur für groß angelegte Registerarbeit?

Der Workflow skaliert nach unten ebenso natürlich wie nach oben. Ein Assistenzarzt, der eine retrospektive Studie mit 30 Patienten durchführt, profitiert von der Extraktion genauso wie ein Registerabstraktor, der 300 Fälle verarbeitet – die Zeitersparnis pro Fall summiert sich linear. Tatsächlich kann die Extraktion für kleine Forschungsprojekte sogar wertvoller sein, da kleine Projekte in der Regel kein Budget für dediziertes Abstraktionspersonal haben. Der Assistenzarzt, der nach dem klinischen Dienst eine Datenbank mit 30 Fällen aufbauen muss, ist am wenigsten in der Lage, 20 Stunden manuelle Dateneingabe zu leisten – und profitiert am meisten davon, diese 20 Stunden in 2 zu verwandeln.