IBM Watson Health Overview

Watson Health - Therapie für
die Datenflut im
Gesundheitswesen?
Thomas Braunsteiner
Industry Leader Healthcare
+436646185163
[email protected]
Datenflut im Gesundheitswesen
Publiziertes Wissen
Pro Person
Daten über die Lebenszeit
Medizinische
Literatur
Big Data:
Wir stehen erst am Anfang
Lifestyle data
- 1,100 Terabytes
Genomische Daten
- 6 Terabytes
Klinische Daten
- 0.4 Terabytes
heute
2
Datenflut im Gesundheitswesen
Publiziertes Wissen
Pro Person
Daten über die Lebenszeit
Medizinische
Literatur
Big Data:
Wir stehen erst am Anfang
Lifestyle data
- 1,100 Terabytes
Genomische Daten
- 6 Terabytes
Klinische Daten
- 0.4 Terabytes
heute
3
Organisationen verlangen nach externen Wissen und Erkenntnissen
aus Ihren eigenen Daten
Generelles Populationswissen …
• Wissenschaftliche Artikel
• Bücher
• Guidelines
Publiziertes
Wissen
Knowledge-Driven Method
Erkenntnisse von individuellen Patienten
Beobachtungs
daten
• Patientendaten – KIS, EMR,
Labor, Bilddaten, ….
Data-Driven Method
Personalisierte Erkenntnisse aus eigenen
Daten
4
Kognitive Systeme (= Denken, Sprechen, Lernen) läuten ein neues
Zeitalter ein
Lochkarte
Eine Aufgabe
1900
5
Unternehmensdaten
Programmiersprachen
Deterministisch
Strukturierte Daten
1950
2011
Watson ermöglicht eine neue
Partnerschaft zwischen
Menschen und Computern, die
menschliche Expertise
unterstützt, anreichert und
beschleunigt
Watson: Ein kognitives System
Generierung und Evaluierung von
Hypothesen
Watson sucht, extrahiert mögliche
Vorschläge und evaluiert diese
Adaptieren und Lernen Selbstlernendes System
Watson lernt durch die
Interaktion mit dem
Benutzer
Verstehen natürlicher
Sprache
Watson liest und versteht
Millionen Dokumente:
• Medizinische Texte
• Evidenz-basierte Guidelines
• Peer-reviewed Artikel
• Krankengeschichten
Watson and Me
Watson versteht und
beschäftigt sich mit dem
Benutzer. Lernt und verbessert
sich im Laufe der Zeit.
Unlimitierte Möglichkeiten für
Einblicke.
Die Cognitive Computing Technologie Watson eröffnet ganz neue
Möglichkeiten in der Informationsverarbeitung
Erschließung von Freitext durch linguistisches Kontextverständnis und Fach-KnowHow
Finden statt Suchen
Überblick über relevante
Patienteninformationen
(intern und extern)
Kognitive Assistenz-Systeme
Kodierungsunterstützung bis hin zu
Behandlungsempfehlungen
Direkte Unterstützung der Patientenbehandlung
Verknüpfung von unstrukturierten
und strukturierten Daten ermöglicht
das Auffinden bisher ungeahnter
Einsichten und Trends
Nutzung und Auswertung des gesamten
Dokumentenbestands im KIS, Archiv, ....
Neue Technologie ermöglicht, verstehen medizinischer
Fachterminologie direkt aus Arztbriefen und anderen Freitexten
Spracherkennung
 deutsch
Segmentierung
Normalisierung
Anreicherung
• Einzelne Wörter:
• ergab = ergeben
• Untersuchung =
Nomen
z.B. Herr
• Sätze:
z.B. Die
Untersuchung ergab
eine koronare
Dreigefäßerkrankung
.
• Koronare = koronar
• 10.Jän.2013 =
10.01.2013
• ergeben = Verb
Wörterbücher
• Fachwörter:
z.B. koronar,
Dreigefäßerkrankung
Regeln
• Diagnose:
z.B. Koronare
Dreigefäßerkrankung
• koronare = Adj.
• Dreigefäßerkrankung
= Nomen
Herr Mustermann wurde nach akutem Koronarsyndrom aus dem Klinikum XX zur
Koronarangiografie übernommen. Die Untersuchung ergab eine koronare
Dreigefäßerkrankung. Zudem fiel eine höhergradige, symptomatische
Mitralinsuffizienz auf, so dass der Patient am 10.Jän.2013 sich einer
Bypass-Versorgung mit Mitralklappenersatz unterziehen wird.
Hinweis: Die Ableitung der Sätze bzw. Satzteile erfolgt automatisch . . .
9
Zielsetzung der Semantischen Suche
• Aus der Gesamtmenge der Dokumente eines Patienten im
KIS/Archiv/ELGA.... werden bestimmte Dokumente für den
GDA anhand von eingegebenen Suchbegriffen intelligent
vorgefiltert.
• Einbeziehen von Synonymen
• z.B. Blinddarmentzündung – Appendizitis
• Anwendung von Hintergrundwissen. Sucht man z.B.
Herzkrankheiten, werden andere für das Gebiet relevante
Begriffe wie z.B. die Koronarerkrankung „Angina Pectoris“ mit
berücksichtigt, da das Konzept „in der Nähe“ von
Herzkrankheiten im Hintergrundwissen abgebildet ist.
Auswahl
relevanter
Dokumente
(Semantische
Suche)
Relevante
Dokumente zu
einer bestimmten
Fragestellung des
Arztes
Diagnosen
Leistungen
Medikamente
Anatomie
Allergien
Ausgewählte
• Abbilden von Hierarchien
• z.B. Anatomie – Verdauungssystem, Teil des Nervensystem
• Unterstützung von Suchmöglichkeiten in abgeleiteter Information
• Verständnis der Bedeutung der Inhalte und Satzkonstruktionen und
damit z.B. Erkennen von Verneinungen.
Auswahl relevante Informationen /
Attribute
Laborwerte
....
Möglichkeiten Patient Summary
• Möglichkeit des Aufbaues eines „generellen“ Patient Summary. Das generelle
Summary kann über eine Abfrage generiert werden.
• Zusätzliche Möglichkeit der Definition von „individuellen Patient Summaries“, die
je nach Arzt ausgewählt werden können (nach Fachrichtung/Krankheitsbild) und
auch sukzessive ausgebaut werden können.
Patientenakte
(Arztbriefe,
Befunde,
OP-Berichte, ...)
Anatomie
Entlassungsdiagnosen
Medikamente
Leistungen
Anwendungsbereiche Watson for Healthcare
 Qualitätssicherung, Vermeidung Fehler
 Komplexe Guidelines und Regeln
 Korrelationen und Zusammenhänge
schwer erkennbar – Auswertung der
Daten (Medical Insight)
Komplexität
 Laufende Interaktion und
Begleitung
Evidence-based Medicine
Personalized Medicine
 Unzureichende Messbarkeit
Qualität und Kosten
Kosten
 Proaktives Management der
Gesundheit – Stärkung der
Selbstverantwortung und des
Krankheitsverständnis
PatientenVerantwortung
 Fokus auf Wellness
and Prevention
 Auswahl adäquate Behandlung
 Einhaltung von Standards und
Vorgaben
 Management chronischer
Krankheiten
Informations-Überflutung
 Medizinische Informationen
verdoppeln sich alle 2 Jahre
 Unstrukturierte Informationen
aufwändig verbreitbar
 Hohe Dokumentenmenge in KIS,
EHR
Über 80% der medizinischen Information ist unstrukturiert
12
Die Verknüpfung und der Überblick über Daten aus verschiedenen
Quellen wird immer essentieller
Klinische
Studien
Expression
Arrays
Medizin
Technik
Genom Daten
Bilddaten
Krankenhaus
InformationsSystem
Herausforderungen
• Volumen und Komplexität der Daten
• Integration unterschiedlichster Daten
und Datenmodelle
• Hohe Anforderungen an
Datenauswertungsskills
• Wachsende Zusammenarbeit in einem
Eco-system
• Durch eine einzige Datenquelle kein
Durchbruch möglich
Labor-Befunde
Die effektive Nutzung der vorhanden Daten ist der Erfolgsfaktor der Zukunft
13
Durch die Nutzung der vorhanden Daten sind Effizienzsteigerungen
bei gleichzeitiger Qualitätsteigerung möglich
Predictive Disease Management & Decision Support (Risikoklassifikation, Prävention,
Vorhersage Outcome, Veränderungsbedarf, laufende Beobachtung und Empfehlungen)
Predicting optimale Patientenbehandlung
Steigerung Patienten-Zufriedenheit
Predictive Modelle zur betrieblichen Effizientsteigerung (Planung & Steuerung)
Analyse Vergangenheit
Jetzt
Vorhersagen der Zukunft
14
Watson Services können direkt mit Bürgern/Patienten und auch GDAs interagieren
2020 werden Kunden
85% Ihrer Interaktion mit Unternehmen
ohne direkter Mitarbeiterinteraktion durchführen
Gesundheitsassistent
Assistenzdienste für Patienten und Bürger
Informationsassistent
Assistenzdienste für Mediziner u.a. GDAs/Sachbearbeiter
Watson- Service
Gesundheitsakte
Weitere Datenquellen (intern und extern)
15
IBM SMARTER HEALTHCARE DAY 2015 Intelligentes Gesundheitswesen
Wann & Wo ?
Datum: 13.Oktober 2015
Uhrzeit: 12:30 Uhr – 18:00Uhr
Ort: METAstadt Wien
Adresse: Dr. Otto Neurath Gasse 3, 1220 Wien
16

Download Report