Herausforderungen bei der Diagnose von Post-COVID-Bedingungen

Nach COVID-19 haben manche Leute anhaltende Gesundheitsprobleme, die als Post-COVID-Zustände (PCC) bekannt sind. Dazu können verschiedene Symptome gehören, die Wochen oder Monate nach der ursprünglichen COVID-19-Infektion anhalten. Für Ärzte war es schwierig, diese Zustände zu verstehen und zu diagnostizieren, hauptsächlich weil es immer noch viel Verwirrung darüber gibt, was PCC eigentlich umfasst.

Das US-Gesundheitsministerium beschreibt PCC als eine Sammlung von sich überschneidenden Gesundheitsproblemen, was die Diagnose zusätzlich erschwert. Seit der Pandemie wurden mehr Informationen über PCC gesammelt, aber viele Ärzte finden es nach wie vor knifflig, Patienten zu behandeln, wegen dieses Mangels an klarer Verständnis.

Im Oktober 2021 wurde ein spezifischer Diagnosecode für PCC (U09.9) eingeführt, um eine standardisierte Methode zur Identifizierung dieser Patienten zu schaffen. Allerdings variiert die Nutzung dieses Codes stark von Arzt zu Arzt, was zu weiterer Verwirrung führt und es Forschern schwer macht, genaue Daten darüber zu sammeln, wie häufig PCC ist.

#Variation in den Diagnose Raten

Forschungen der US-Veteranenverwaltung haben gezeigt, dass die Raten der PCC-Diagnosen nach COVID-19 stark variieren – zwischen 3% und 41% – an verschiedenen medizinischen Zentren. Dieser Unterschied kommt hauptsächlich davon, wie jedes Zentrum die Diagnose angeht. Andere Studien haben gezeigt, dass ein erheblicher Teil dieser Diagnosen nicht den Standards von Gesundheitsorganisationen wie den Centers for Disease Control and Prevention und der Weltgesundheitsorganisation entspricht.

Ausserdem hat eine Studie im Vereinigten Königreich ergeben, dass die Raten der PCC-Diagnosen je nach dem verwendeten elektronischen Gesundheitsaktensystem (EHR) der verschiedenen Gesundheitsdienstleister unterschiedlich waren. Diese Inkonsistenz bei der Diagnose von PCC bedeutet, dass es einen starken Bedarf an besseren Methoden gibt, um Patienten zu identifizieren und zu unterstützen, die möglicherweise mit diesen anhaltenden Symptomen leben.

#Neue Ansätze zur Identifizierung von PCC

Wegen der Herausforderungen aus der inkonsistenten Nutzung des PCC-Diagnosecodes haben Forscher begonnen, Technologie, insbesondere maschinelles Lernen, zu verwenden, um bessere Wege zur Identifizierung von Patienten mit diesen Zuständen zu finden. Einige Forscher haben kleine Gruppen von Patienten und Umfragen genutzt, um Modelle zu trainieren, die klinische Notizen analysieren, mit mässigem Erfolg bei der Erkennung von Symptomen im Zusammenhang mit PCC.

Andere Studien haben strukturierte Daten verwendet, um vorherzusagen, wer wahrscheinlich Spezial-PCC-Kliniken aufsuchen würde. Diese Ansätze haben vielversprechende Ergebnisse bei der Findung von Patienten geliefert, die möglicherweise PCC erleben, obwohl sie sich hauptsächlich auf diejenigen in spezialisierten Kliniken konzentrierten, anstatt auf die allgemeine ambulante Versorgung.

#Fokus auf Muster in der Primärversorgung

Diese Studie hatte das Ziel, genauer zu untersuchen, wie PCC in allgemeinen Primärversorgungseinrichtungen diagnostiziert wird. Wir haben statistische Analysen mit maschinellen Lerntechniken kombiniert, um herauszufinden, wie verschiedene Ärzte den PCC-Diagnosecode anwenden und um die gemeinsamen Merkmale unter den Patienten mit PCC zu verstehen, auch wenn sie keine offizielle Diagnose erhalten haben.

Der erste Schritt bestand darin, die Anzahl der PCC-Diagnosen zu überprüfen, die von verschiedenen Ärzten aufgezeichnet wurden, was geholfen hat zu zeigen, wie geneigt jeder Arzt ist, einen Patienten mit PCC zu kennzeichnen. Danach haben wir die Zeit zwischen der ersten COVID-19-Diagnose eines Patienten und der PCC-Diagnose analysiert, da dieser Zeitpunkt entscheidend für eine genaue Diagnose ist.

Wir haben auch untersucht, wie verschiedene Faktoren, wie demografische Daten der Patienten und Eigenschaften der Praxis oder des Arztes, die Dokumentation des PCC-Diagnosecodes beeinflussten. Schliesslich haben wir ein Modell trainiert, das klinische Notizen von Ärzten nutzt, um zu sehen, ob es gemeinsame Merkmale unter Patienten gibt, die möglicherweise PCC haben, unabhängig davon, ob sie einen PCC-Diagnosecode hatten oder nicht.

#Datenquellen und Studienpopulation

Die Studie verwendete Daten aus der American Family Cohort (AFC), die Gesundheitsinformationen von Primärversorgungskliniken in den USA sammelt. Dieses Dataset umfasst Besuche von über 12.000 Ärzten und rund 8 Millionen Patienten. Die AFC-Daten reichen von 2017 bis November 2023 und repräsentieren eine vielfältige Gruppe von Patienten in Bezug auf Alter, Rasse und Geografie.

Bei der Auswahl der Proben für die Analyse hatten etwa 20% der Patienten fehlende Daten zu Rasse und Ethnie. Für diese Patienten wurde die wahrscheinlichste Rasse oder Ethnie basierend auf validierten Methoden zugewiesen.

#Analyse der Praxis Muster

Um besser zu verstehen, wie verschiedene Ärzte diagnostische Standards anwenden, haben wir zwei Hauptaspekte untersucht: die Verteilung der PCC-Diagnosen unter den Ärzten und die Zeit zwischen der COVID-19-Diagnose und der PCC-Diagnose eines Patienten. Wir haben alle Patienten einbezogen, die seit der Einführung des PCC-Diagnosecodes mit PCC diagnostiziert wurden und dies mit dem Zeitpunkt ihrer COVID-19-Diagnose verglichen.

Zu den Ergebnissen zählt, dass viele Ärzte sehr wenige PCC-Diagnosen dokumentierten. Einige Ärzte diagnostizierten nur einen Patienten mit PCC, während andere über 100 Patienten damit sahen. Diese ungleiche Verteilung deutet darauf hin, dass einige Ärzte eher dazu neigen, PCC zu erkennen und zu dokumentieren als andere.

#Erstellung eines Modells zur Code-Dokumentation

Mit dem Ansatz, den frühere Forscher festgelegt haben, haben wir ein maschinelles Lernmodell entwickelt, das vorhersagt, ob ein Arzt den PCC-Diagnosecode dokumentieren würde. Das verwendete Dataset umfasste eine zufällige Stichprobe von Patientenbesuchen aus dem relevanten Zeitraum.

Um das Ungleichgewicht im Datensatz zu bewältigen – da weniger Patienten einen PCC-Code hatten im Vergleich zu denen, die keinen hatten – haben wir die Daten angepasst, um sie ausgeglichener zu machen. Anschliessend haben wir visualisiert, wie verschiedene Merkmale beeinflussten, ob ein Patient eine PCC-Diagnose erhielt.

#Verarbeitung natürlicher Sprache für klinische Notizen

Für einen anderen Teil unserer Studie haben wir uns auf klinische Notizen konzentriert, die von Ärzten während der Patientenbesuche verfasst wurden. Durch die Analyse dieser Notizen wollten wir herausfinden, ob spezifische Symptome oder Muster Patienten mit PCC hervorheben könnten.

Die einbezogenen Notizen wurden sorgfältig ausgewählt, basierend auf verschiedenen COVID-19-Symptomen und mussten eine Mindestlängenanforderung erfüllen, um sicherzustellen, dass sie nützliche Informationen enthielten. Eine Stichprobe von 5.000 klinischen Notizen wurde zur Analyse gewählt, und zwei Hausärzte überprüften diese Notizen, um zu identifizieren, welche Patienten wahrscheinlich an PCC litten.

Wir haben unterschiedliche Modelle verwendet, um diese Notizen zu analysieren, von einfachen Bag-of-Words-Ansätzen bis hin zu fortgeschritteneren Methoden wie Transformern. Trotz der Fortschritte in der Technologie zeigten die Ergebnisse, dass es nach wie vor herausfordernd bleibt, Patienten mit PCC anhand klinischer Notizen zu identifizieren.

#Ergebnisse und Fazit

Unsere Studie brachte signifikante Unterschiede in der Diagnose von PCC durch Hausärzte in der Zeit nach der Einführung des PCC-Diagnosecodes ans Licht. Die Variation deutet darauf hin, dass Ärzte sich möglicherweise nicht immer darüber einig sind, was PCC ist, was zu Inkonsistenzen in der Dokumentation führt. Die meisten Ärzte in der Studie haben überhaupt keine PCC-Diagnosen aufgezeichnet, während einige viele dokumentierten.

Ausserdem fanden wir heraus, dass viele der PCC-Diagnosen nicht den festgelegten Zeitrichtlinien der Gesundheitsorganisationen folgten, was auf einen Bedarf an Klarheit in den Diagnosekriterien hinweist. Demografische Daten der Patienten, wie Alter und Rasse, spielten eine grössere Rolle bei der Feststellung, ob ein PCC-Code dokumentiert wurde, als andere klinische Faktoren.

Trotz der Verwendung fortschrittlicher Methoden der Verarbeitung natürlicher Sprache lieferten unsere Versuche, Patienten aus klinischen Notizen zu identifizieren, keine starken Ergebnisse. Das zeigt, dass sowohl Patientendifferenzen als auch die Variabilität unter den Ärzten zu den Herausforderungen beiträgt, die bei der Diagnose und Behandlung von PCC auftreten.

Unsere Studie hebt den dringenden Bedarf nach besserem Verständnis und klareren Richtlinien für PCC hervor. Ärzte in der Primärversorgung benötigen mehr Unterstützung und Werkzeuge, um diese Erkrankung genau zu erkennen und zu verwalten. Während die Forschung weitergeht, wird es wichtig sein, die Nutzung des PCC-Diagnosecodes zu überwachen, um sicherzustellen, dass Patienten die angemessene Pflege und Unterstützung erhalten, die sie brauchen.