Legit.Health

In diesem Abschnitt präsentieren wir praktische Beispiele von Workflows, die in Ihre Systeme integriert werden können und die von der API unseres Geräts bereitgestellten Daten nutzen.

Wir erkennen an, dass die Integration von Daten aus unserer API in Ihre bestehenden Systeme eine komplexe Aufgabe sein kann, insbesondere wenn dies die erste Erfahrung Ihrer Organisation mit einem solchen Gerät ist. Diese Beispiele sollen Sie durch diesen Integrationsprozess unterstützen und leiten.

Bitte beachten Sie, dass die Flexibilität unserer API eine Vielzahl von Workflow-Implementierungen ermöglicht. Die hier aufgeführten Beispiele sind nicht umfassend und sollten nicht als die einzigen Methoden oder als Billigung bestimmter Praktiken interpretiert werden. Jede Organisation hat einzigartige Anforderungen und Bedürfnisse. Daher ist es entscheidend, dass verwaltende Organisationen Workflows entwickeln, die ihren internen Best Practices entsprechen und die von ihren medizinischen Fachleuten festgelegten Richtlinien befolgen.

Puzzleteile

Betrachten Sie die Ausgabe unseres Geräts als Puzzleteile. Das Gerät erzeugt eine JSON-Datei, reich an Daten, organisiert unter verschiedenen Schlüsseln. Diese Schlüssel dienen als grundlegende Elemente in Ihrem Workflow-Designprozess. Sie können sich jeden Schlüssel als einen eigenen Zweig in einem Entscheidungsbaum vorstellen oder, noch kreativer, als ein einzigartiges Puzzleteil. Diese Analogie unterstreicht die Flexibilität und Anpassungsfähigkeit der Daten: Sie können diese Teile in zahlreichen Konfigurationen anordnen und integrieren, um Ihre spezifischen Workflow-Anforderungen zu erfüllen.

Weitere Ressourcen

Bitte lesen Sie den Abschnitt <Output/> der Anleitung zur Verwendung für weitere Informationen.

Es gibt mehr Puzzleteile

Die API gibt mehr als 100 Zeilen an Daten zurück, und diese Beispiele verwenden nur 6 Schlüssel aus der Ausgabe. Das bedeutet, dass es viel mehr Puzzleteile gibt, die für Ihre Organisation nützlicher sein könnten. Zögern Sie nicht, uns zu kontaktieren, um zu fragen, welche Endpunkte für Ihren Anwendungsfall geeignet sein könnten.

Die Puzzleteile anordnen

Lassen Sie uns einige praktische Beispiele durchgehen, die zeigen, wie Sie die Puzzleteile zusammensetzen können, um einen effektiven Workflow zu formulieren.

Primäre vs. sekundäre Versorgung

In diesem Szenario demonstrieren wir einen Workflow, der sich in zwei separate Pfade aufteilt: Primäre Versorgung und Sekundäre Versorgung. Die Entscheidung zwischen diesen Ergebnissen wird in der folgenden Tabelle dargestellt:

Primäre Versorgung	1
Sekundäre Versorgung	2

Darauf aufbauend könnte ein potenzieller Workflow spezifische Puzzleteile einbeziehen, die eine Organisation bei der Verfeinerung und Verbesserung der Effizienz ihres Überweisungsprozesses unterstützen. Der Fluss kombiniert nun urgentReferral, highPriorityReferral und die Modell-entropy als Hauptentscheidungspunkte, anstatt sich nur auf malignancy zu verlassen:

Alternativer Workflow mit Match ICD classes

Dies kann andere Puzzleteile einbeziehen, wie z.B. die Übereinstimmung mit einer bestimmten Liste von ICD-Klassen. Im folgenden Beispiel prüft der Fluss eine Liste von Klassen, die die Organisation als erforderlich erachtet, um direkt in der sekundären Versorgung behandelt zu werden.

Schwellenwertbildung

Um die Schwellenwerte zu bestimmen, muss die Organisation zwei Dinge berücksichtigen:

1. Was sind die möglichen Ergebnisse des Workflows?
2. Was ist die Sensitivität und Spezifität des Parameters?

In diesem Fall beinhaltet das Ergebnis des Flussdiagramms immer den Besuch bei einem Gesundheitsfachmann. Wenn die Organisation danach strebt, Patientenwarteschlangen zu verkürzen, um die Patientensicherheit zu erhöhen, kann es eine gute Idee sein, einen hohen Schwellenwert festzulegen.

Weitere Informationen zu diesem Thema finden Sie im Abschnitt Schwellenwertbildung, in dem wir die Verwechslungsmatrix einiger Parameter erklären.

Fern- vs. persönliche Beratung

Eine Organisation kann anstreben, ihren Beratungsprozess zu verbessern, indem sie effizient die am besten geeignete Methode für jeden Fall bestimmt, sei es Fern- oder persönliche Beratung.

Für dieses Beispiel fahren wir mit den zwei etablierten Ergebnissen fort: Primäre Versorgung und Sekundäre Versorgung. Wir erweitern diesen Entscheidungsprozess um die Dimension des Beratungstyps: Fern oder Persönlich, wie in der folgenden Tabelle dargestellt:

	🤳 Fern	🏥🚶 Persönlich
Primäre Versorgung	R1	P1
Sekundäre Versorgung	R2	P2

Warum dies wichtig ist

Die Umsetzung einer Strategie zur Verbesserung der Effizienz von Beratungen und zur Minimierung von Patientenwartzeiten könnte darin bestehen, mehr Fälle in die Primärversorgung zu leiten oder schnellere Beratungsmethoden zu nutzen. Die folgende Tabelle zeigt die gewünschte Richtung für jede Versorgungsebene und Beratungsart:

	🤳 Fern	🏥🚶 Persönlich
Primäre Versorgung	Ziel: Erhöhen ↑	-
Sekundäre Versorgung	-	Ziel: Verringern ↓

Workflow-Beispiel

Der Workflow, der diese Ziele erreichen soll, könnte wie folgt strukturiert werden:

Dies kann durch konditionsspezifische Fragebögen wie die 7-Punkte-Checkliste (7PC) ergänzt werden. Die 7-Punkte-Checkliste (7PCL) wurde von NICE (2005) zur Identifizierung von klinisch signifikanten Läsionen, die einer dringenden Überweisung bedürfen, für die Routineanwendung in der britischen Grundversorgung empfohlen.

Im folgenden Flussdiagramm folgt der Ausgabe von urgentReferral der 7PC-Fragebogen, um die richtige Methode für Beratungen weiter zu spezifizieren.

Schwellenwertbildung

Um die Schwellenwerte zu bestimmen, muss die Organisation zwei Dinge berücksichtigen:

1. Was sind die möglichen Ergebnisse des Workflows?
2. Was ist die Sensitivität und Spezifität des Parameters?

In diesem Fall beinhaltet das Ergebnis des Flussdiagramms immer den Besuch bei einem Gesundheitsfachmann. Wenn die Organisation danach strebt, Patientenwarteschlangen zu verkürzen, um die Patientensicherheit zu erhöhen, kann es eine gute Idee sein, einen hohen Schwellenwert festzulegen.

Weitere Informationen zu diesem Thema finden Sie im Abschnitt Schwellenwertbildung, in dem wir die Verwechslungsmatrix einiger Parameter erklären.

Verbesserung der Kommunikationsmethoden für die Beratung

Um den Beratungsprozess weiter zu optimieren, können wir verschiedene Methoden für Fern- und persönliche Beratungen spezifizieren und sie an spezifische Ziele anpassen:

	🤳 Fern		🏥🚶 Persönlich
	Chat-Beratung	Video-Beratung	Internes Team	Externes Team
Primäre Versorgung	Ziel: Erhöhen ↑	-	-	-
Sekundäre Versorgung	-	-	Ziel: Verringern ↓	Ziel: Verringern ↓

Nachverfolgung chronischer Patienten

Organisationen können anstreben, die Fernüberwachung chronischer Patienten zu verbessern, um eine bessere Patientenübersicht zu ermöglichen und die Wirksamkeit der Behandlung zu bewerten.

In diesem Fall fahren wir fort, zwischen Primärer Versorgung und Sekundärer Versorgung zu unterscheiden. Allerdings berücksichtigen wir nun den Status des Patientenzustands, kategorisiert entweder als Entwicklung wie erwartet oder Anomalie, wie unten dargestellt:

Entwicklung wie erwartet	OK
Anomalie	!

Obwohl das Gerät nicht explizit angibt, ob sich der Zustand eines Patienten wie erwartet entwickelt, liefert es einen score.interpretation.intensity Wert. Dieser Wert, bestehend aus den Werten 0, 1, 2 und 3, gibt das Ausmaß der Bedingungsbeeinträchtigung an, wobei 2 und 3 mittelschwere oder schwere Zustände darstellen.

Weitere Ressourcen

Bitte lesen Sie den Abschnitt <Output/> der Anleitung zur Verwendung für weitere Informationen.

Basierend darauf könnte eine Organisation den folgenden Workflow implementieren:

Schwellenwertbildung

Wie Sie sehen können, erfordern die Puzzleteile manchmal die Entscheidung über einen Schwellenwert, ab dem verschiedene Aktionen eingeleitet werden können. Verschiedene Anwendungsfälle erfordern möglicherweise unterschiedliche Schwellenwerte, üblicherweise abhängig von den möglichen Ergebnissen des Workflows.

Wie man einen Schwellenwert entscheidet

Um den angemessenen Schwellenwert für einen Parameter zu messen, verwenden wir Verwechslungsmatrizen.

Eine Verwechslungsmatrix ist ein grundlegendes Werkzeug in der statistischen Klassifizierung und dem maschinellen Lernen. Sie ist eine spezifische Tabellenstruktur, die die Leistung eines Algorithmus, typischerweise eines Klassifizierers, visualisiert. Die Matrix vergleicht die tatsächlichen Zielwerte mit denen, die vom Modell vorhergesagt werden, und bietet Einblicke nicht nur in die Leistung des Klassifizierers, sondern auch in die Arten von Fehlern, die er macht.

Die Verwechslungsmatrix ist typischerweise eine 2x2-Matrix für binäre Klassifizierungsaufgaben:

• True Positives (TP): Dies sind Fälle, in denen der Klassifizierer die positive Klasse korrekt vorhersagt.
• True Negatives (TN): Dies sind Fälle, in denen der Klassifizierer die negative Klasse korrekt vorhersagt.
• False Positives (FP): Dies sind Fälle, in denen der Klassifizierer die positive Klasse fälschlicherweise vorhersagt (auch bekannt als Fehler vom Typ I).
• False Negatives (FN): Dies sind Fälle, in denen der Klassifizierer die negative Klasse fälschlicherweise vorhersagt (auch bekannt als Fehler vom Typ II).

Bei einer Klassifizierungsaufgabe, besonders bei probabilistischen Klassifizierern, ist der Schwellenwert ein Konzept, das korrekt verstanden werden muss. Im Wesentlichen: ein Schwellenwert ist der Punkt, an dem die Wahrscheinlichkeit, dass ein Datenpunkt zur einen oder anderen Klasse gehört, entschieden wird.

• Wenn die vom Modell vorhergesagte Wahrscheinlichkeit für eine Klasse höher ist als der Schwellenwert, klassifiziert es den Datenpunkt in diese Klasse.
• Umgekehrt, wenn die Wahrscheinlichkeit niedriger ist als der Schwellenwert, klassifiziert es den Datenpunkt in die andere Klasse.

Wo ist dieser Wert?

Die Verwechslungsmatrix wird von uns bereitgestellt, da sie das Ergebnis der umfangreichen Tests und Validierung des Geräts ist. Dieser Wert wird üblicherweise in Bezug auf Spezifität und Sensitivität ausgedrückt. Er kann von einer Aufgabe zur anderen variieren. Zum Beispiel hat die Bildqualität einen anderen Wert als die Klassifizierung eines Zustands.

Mit den Informationen zu Sensitivität und Spezifität kann jede Organisation einen bestimmten Schwellenwert wählen, abhängig von ihrem Anwendungsfall.

Anpassung des Schwellenwerts an den Anwendungsfall

Die Bestimmung des angemessenen Schwellenwerts hängt vollständig vom Anwendungsfall ab. Zum Beispiel bei der Entscheidung, ob an einen Spezialisten oder einen Allgemeinarzt überwiesen werden soll:

• Ein niedriger Schwellenwert kann zu mehr Fällen führen, die an einen Spezialisten überwiesen werden, was möglicherweise mehr echte positive Fälle erfasst, aber auch falsch positive Fälle erhöht.
• Ein hoher Schwellenwert kann die Anzahl der falsch positiven Fälle reduzieren, kann aber zum Übersehen echter positiver Fälle führen.

Daher muss der Schwellenwert von der Organisation unter Berücksichtigung des spezifischen Anwendungsfalls gewählt werden, um die Ergebnisse von falsch positiven und falsch negativen Fällen auszugleichen.

Schwellenwert für malignancy

malignancy ist einer der Werte, die das Gerät ausgibt und für die eine Organisation einen Schwellenwert wählen muss.

malignancy stellt ein quantifiziertes Verdachtsniveau dar: Je höher der Wert, desto größer der Verdacht auf Malignität. Im Gegensatz zu einer binären Ausgabe bietet diese kontinuierliche Skala ein differenzierteres Verständnis, erfordert aber auch einen gut definierten Schwellenwert, um einen Fall als maligne oder nicht maligne einzuordnen.

malignancy ist kein einfacher binärer Indikator, sondern ein kumulativer Messwert, der sich aus der Summe der Wahrscheinlichkeiten verschiedener als maligne eingestufter Klassen ergibt, die von einem Mehrklassen-Klassifizierungsalgorithmus bestimmt werden. Dieser Ansatz ist für mehrere Gründe bedeutsam:

1. Mehrdeutige Natur von Läsionen: Läsionen können Merkmale aufweisen, die sich über mehrere Klassen erstrecken. In solchen Fällen kann eine einzelne Klassifizierung unzureichend sein, um den vollständigen Umfang der Natur der Läsion zu erfassen.
2. Sich entwickelnde Zustände: Einige Läsionen stellen Zustände in Übergängen dar; zum Beispiel, eine benigne Läsion, die sich in eine maligne Läsion umwandelt.

Deshalb ermöglicht das Erfassen von Wahrscheinlichkeiten über Klassen hinweg ein dynamischeres Verständnis des aktuellen Zustands der Läsion.

Praktisches Beispiel

Imagine 100 people ask for a consultation, but only 12 of them actually have a malignant condition. If we refer or prioritise cases where isMalignantSuspicion is higher or equal to 05101520253035404550556065707580859095100, then...

12 🙌 Are prioritised and should be prioritised True positives (TP)	88 😅 Are prioritised but should not be prioritised False positives (FP)
0 😣 Are not prioritised but should be prioritised False negatives (FN)	0 👏 Are not prioritised and should not be prioritised True negatives (TN)

Bedenken Sie, dass die Zahl 12 von 100 Menschen nicht angibt, wie viele Menschen tatsächlich maligne Bilder einreichen werden. Das gibt Ihnen Wissen über die Genauigkeit des Algorithmus, mit einem bestimmten Verhältnis von malignen zu nicht-malignen Bildern.

Schwellenwert für mediaValidity.quality.score

mediaValidity ist einer der Werte, die das Gerät ausgibt und für die eine Organisation einen Schwellenwert wählen muss.

mediaValidity enthält verschiedene Aspekte der Bildqualität. In diesem Schlüssel gibt es mehrere Unterschlüssel wie isValid, quality.acceptable, domain.isDermatological und am wichtigsten, quality.score.

Im Gegensatz zu einer binären Ausgabe bietet score eine kontinuierliche Skala mit einem nuancierten Verständnis der Bildqualität. Allerdings erfordert es einen gut definierten Schwellenwert, um einen Fall als ausreichend qualitativ oder nicht einzuordnen.

Praktisches Beispiel

Imagine 100 images are sent to the device. Each image has a mediaValidity.score between 1 and 100. In order to separate good quality images from bad quality images, any image with a mediaValidity.score higher than 0%10%20%30%40%50%60%70%80%90%100% will be accepted.

In this case, due to the threshold of 0%10%20%30%40%50%60%70%80%90%100%, out of the 100 images, only 87 have enough image quality. As a result:

84 📸👌 Have enough quality and are proccessed True positives (TP)	6 😅📸 Have enough quality but are discarded False positives (FP)
3 😅📸 Don't have enough quality but are processed False negatives (FN)	8 📸👏 Don't have enough quality and are discarded True negatives (TN)

Dies kann auch durch ein Akzeptanzdiagramm verstanden werden. Im folgenden Diagramm sehen Sie, wie viele Bilder akzeptiert werden, je nach Schwellenwert des mediaValidity.quality.score. Als Beispiele gibt es Markierungen bei den Schwellenwerten 40 und 80. Im zweiten Fall sehen Sie, dass die Hälfte der Bilder abgelehnt wird.

40 → Acceptance: 99.16%

80 → Acceptance: 49.02%

Bedenken Sie, dass dies nicht angibt, wie viele schlechte Bilder Benutzer tatsächlich einreichen werden. Das gibt Ihnen Wissen über die Genauigkeit des Bildqualitätsalgorithmus. Es erklärt die Verwechslungsmatrix des DIQA-Algorithmus mit einem bestimmten Verhältnis von guten zu schlechten Bildern.

Woher kommt das?

Um die Genauigkeit des Algorithmus zu bestimmen und zu überprüfen, haben wir den Algorithmus mit einem Datensatz getestet, der von Experten in dieser Aufgabe gekennzeichnet worden ist. So leiten wir die Verwechslungsmatrix ab.

Weitere Ressourcen: Dermatology Image Quality Assessment (DIQA): Artificial intelligence to ensure the clinical utility of images for remote consultations and clinical trials. Journal of the American Academy of Dermatology.

Priorisierung

Organisationen können Workflows erstellen, um die Priorisierung der Patientenpflege zu verbessern.

Jede Organisation entwickelt eigene Protokolle für die Zuweisung von Priorität an Patienten. Das Ziel besteht darin, Überweisungsprozesse zu optimieren und sicherzustellen, dass Patienten zeitnah und angemessen von den richtigen Gesundheitsfachleuten betreut werden.

Zu Bildungszwecken bietet dieser Abschnitt Beispiele möglicher Workflows, die eine verwaltende Organisation einsetzen könnte. Diese basieren auf den Diagnosberichtinformationen, die unsere API bereitstellt, um Patientenepisoden effektiv zu priorisieren.

Malignität

Ein kritischer Faktor in der Gesundheitsfachentscheidungsfindung ist die Bewertung des Malignitätsrisikos.

Die API-Antwort beinhaltet einen Abschnitt namens clinicalIndicator, der relevante Informationen für diese Bewertung enthalten kann. Diese Daten können instrumentell für die Priorisierung wertvoll sein, wie nachfolgend detailliert:

Clinical indicator

{
  // ...
  "clinicalIndicator": {
    // ...
    "malignancy": 62
    // ...
  }
  // ...
}

Der Parameter malignancy kann bei der Entscheidungsfindung zur Priorisierung von Patienten helfen.

Hier ist eine einfache Regel, um Patientenprioritäten basierend auf diesem Parameter zu kategorisieren:

• Wenn malignancy zwischen 0 und 30% liegt, kann der Patient als normale Priorität eingestuft werden.
• Wenn malignancy 30% überschreitet, sollte der Patient als hohe Priorität betrachtet werden.

Dieser Entscheidungsfindungsprozess kann mithilfe eines Flussdiagramms visualisiert werden:

Darauf aufbauend:

• Patienten mit malignancy, die 30% überschreitet, sind nicht nur eine hohe Priorität, sondern können auch Kandidaten für Schnellbearbeitung sein.

Ein weiteres Flussdiagramm kann bei der Darstellung dieses erweiterten Entscheidungskriteriums hilfreich sein:

Nach Malignität sortieren

Organisationen können ihre Priorisierungsstrategien verfeinern, indem sie Fälle nach dem Grad des Malignitätsverdachts sortieren. Zum Beispiel können zwei Patienten, die beide aufgrund ihrer Malignitätsverdachtsniveaus in die Kategorie Hohe Priorität fallen (einer bei 60 und ein anderer bei 30), weiter triagiert werden. Dieser Ansatz umfasst die Einstufung von Patienten innerhalb der Gruppe Hohe Priorität vom höchsten zum niedrigsten Malignitätsverdachtswert.

Diese Methode ermöglicht eine nuanciertere Priorisierung und stellt sicher, dass diejenigen mit höherer vermuteter Gefährdung dringender behandelt werden.

Wenn die verwaltende Organisation diese Malignitätsverdachtsinformationen für Gesundheitsfachleute (HCPs) sichtbar machen möchte, könnte der folgende Diagrammtyp implementiert werden, um diesen verfeinerten Priorisierungsprozess zu erleichtern:

malignancy: 6%

malignancy: 62%

Weitere Workflows

Schweregrad

Der Schweregrad einer Erkrankung ist eine der Variablen, die Gesundheitsfachleute in ihrer Entscheidungsfindung berücksichtigen.

Eine Antwort der API enthält einen Abschnitt namens patientEvolution, der folgende Informationen enthalten kann:

patientEvolution

{
  // ...
  "patientEvolution": {
    "alegi": {
      "score": {
        "value": 8,
        "interpretation": {
          "category": "Grade 1",
          "intensity": 1
        }
      }
      // ...
    }
    // ...
  }
}

Wie Sie sehen, beinhaltet die Scoringsystem-Eingabe einen score.value. In diesem Beispiel sehen wir, dass der Schweregrad-Score 8 ist.

Innerhalb von score.interpretation können Sie sehen, dass der Wert unter Intensität 1 fällt, was bedeutet, dass es der niedrigstmögliche Schweregrad ist. Die category für diese Intensität ist Grade 1, was eine semantische Interpretation des Scores ist, die direkt den Schweregrad widerspiegelt.

Eine sehr einfache Regel wäre:

• Wenn die score.interpretation.intensity 1 ist, würde es Workflow A auslösen
• Wenn die score.interpretation.intensity 3 ist, würde es Workflow B auslösen

Dies kann nützlich sein, zum Beispiel, wenn ein Gesundheitsfachmann entscheiden muss, ob ein Patient an einen Spezialisten überwiesen werden soll oder nicht. Es kann auch nützliche Informationen sein, um die Wirksamkeit einer Behandlung zu überwachen.

In diesem Beispiel würde Workflow A derjenige sein, der anwendbar ist, wenn der Schweregrad der Erkrankung unter Kontrolle ist, zum Beispiel, weil sie korrekt auf die Behandlung anspricht.

Darüber hinaus können Sie den Prozess bereichern, indem Sie Informationen zur Patientengeschichte hinzufügen. Zum Beispiel, wenn Sie auch Daten innerhalb des Schlüssels previousMedia senden, wenn Sie Ihre Anfrage stellen, könnte das Ergebnis sein:

• Wenn die score.interpretation.intensity 2 ist und das vorherige Foto nicht 3 war, würde es Workflow C auslösen
• Andernfalls würde es auf Workflow A zurückfallen

Die verwaltende Organisation kann auch entscheiden, diese Informationen dem Gesundheitsfachmann anzuzeigen, in welchem Fall ein Diagramm wie das folgende implementiert werden könnte:

Der Score für den Schweregrad kann visuell angezeigt werden. Die Art, dies zu tun, ist die Verwendung der im score.interpretation zurückgegebenen Werte:

score.interpretation.intensity: 1

score.interpretation.intensity: 3

Vorherige Existenz der Erkrankung

Ob eine Erkrankung für einen Patienten neu ist oder bereits diagnostiziert wurde, ist eine der Variablen, die Gesundheitsfachleute in ihrer Entscheidungsfindung berücksichtigen.

Eine Antwort der API enthält einen Abschnitt namens conclusion, der folgende Informationen enthalten kann:

Conclusion

{
  // ...
  "conclusion": [
    {
      "code": {
        "coding": [
          {
            "system": "https://icd.who.int/browse/2025-01/mms/en",
            "systemDisplay": "ICD-11",
            "code": "DA04.5",
            "display": "Mucous cyst"
          }
        ],
        "text": "Mucous cyst"
      },
      "probability": 87.77
    }
    // ...
  ]
  // ...
}

Was diese Informationen zeigt, ist, dass eine Erkrankung eine Wahrscheinlichkeit von 87.77 hat. Der Name der Erkrankung ist Mucous cyst, kodiert als DA04.5 gemäß dem System ICD-11.

Was ein Gesundheitsfachmann tun könnte, ist nachzuschlagen, ob diese Erkrankung zuvor dem Patienten diagnostiziert wurde, und diese Informationen in seiner Entscheidungsfindung nutzen.