Medizinische Sentimentanalyse
Die Sentimentanalyse wurde im medizinischen Kontext unter anderem für die Prognose von Erkrankungsrisiken vorgeschlagen. Dieses Projekt zielt darauf ab, die Möglichkeiten transformerbasierter Modelle für die Sentimentanalyse zu untersuchen.
Steckbrief
- Beteiligte Departemente Technik und Informatik
- Institut(e) Institute for Patient-centered Digital Health (PCDH)
- Förderorganisation Andere
- Laufzeit (geplant) 01.08.2023 - 31.07.2024
- Projektleitung Prof. Dr. Kerstin Denecke
- Projektmitarbeitende Daniel Reichenpfader
- Partner Hasler Stiftung
- Schlüsselwörter Künstliche Intelligenz, Sentimentanalyse, Prediction, Medizin
Ausgangslage
Die Sentimentanalyse befasst sich mit dem Extrahieren von Informationen über Meinungen, Stimmungen und sogar Emotionen, die Autorinnen und Autoren zu bestimmten Themen ausdrücken. Oft steht sie in direktem Zusammenhang mit der Analyse subjektiver Texte wie Kundenbewertungen oder Tweets und hat zum Ziel, die Einstellung der Autorin oder des Autors zu einem Produkt oder einem Thema zu untersuchen. Die Sentimentanalyse mit ihren vielseitigen Anwendungsbereichen stösst jedoch auch im Gesundheitswesen zunehmend auf Interesse. Methoden zur Analyse von Stimmungen wurden auf (medizinische) Daten aus den sozialen Medien angewandt, um Forscherinnen und Forschern die Möglichkeit zu geben, mehr über Krankheiten, Wahrnehmungen und die Bedürfnisse von Patientinnen und Patienten und ihren Betreuenden zu verstehen. Zudem sind klinische Berichte zunehmend Gegenstand der Methoden der medizinischen Sentimentanalyse. Da erkannt wurde, dass klinische Aufzeichnungen und andere frei formulierte Textdokumente als Teil der elektronischen Krankenakte wertvolle Informationen enthalten können, wurden Informationen über die medizinische Stimmung verwendet, um das Risiko einer psychischen Erkrankung zur prognostizieren, von Patientinnen und Patienten berichtete Ergebnisse zu erfassen oder Daten für die Pharmakovigilanz zu erhalten.
Vorgehen
Deep-Learning-Algorithmen sind in der Sentimentanalyse in anderen Bereichen von zunehmender Bedeutung (z. B. Aufmerksamkeitsmechanismus, transformerbasierte Modelle und Gated Multiplication (Gated CNN)) und werden häufig für allgemeine Sentimentanalysen, also ausserhalb des medizinischen Kontextes, eingesetzt. Diese neu aufkommenden Methoden wurden jedoch noch nicht mit klinischen Berichten getestet, wie eine kürzlich durchgeführte Übersichtsarbeit des Antragstellers zeigte. Dies ist wahrscheinlich der Grund dafür, dass im Vergleich zu den Genauigkeitswerten für andere Bereiche für klinische Berichte eine begrenzte Genauigkeit der neuesten Methoden der Sentimentanalyse festgestellt wurde. Ausserdem wurde erkannt, dass die Lösungen noch nicht den für eine reale Anwendung erforderlichen Technologie-Reifegrad (Technology Readiness Level, TRL) erreichen (in der Regel TRL 7). Dieses Projekt wird dazu beitragen, die medizinische Sentimentanalyse klinischer Berichte auf den nächsten Technologie-Reifegrad zu heben, indem auf den neuesten technologischen Fortschritten basierende Algorithmen entwickelt werden und konkrete Anwendungsfälle für Prognosen getestet werden.
Ergebnisse
Das Projekt wird tiefgreifende Erkenntnisse über die Anwendbarkeit und Leistungsfähigkeit dieser Technologien liefern. Zu den konkreten Herausforderungen des Projekts gehören kleine Datensätze und die inhaltlichen und sprachlichen Besonderheiten klinischer Berichte. Wenn die Nützlichkeit transformerbasierter Modelle nachgewiesen werden kann, soll ein auf eine reale Anwendung abzielendes Anschlussprojekt geplant werden.
