DE102022211036A1 - Verfahren und System zur Bereitstellung einer Dokumentenvorlagestruktur zur Erstellung eines medizinischen Befundsberichts - Google Patents

Verfahren und System zur Bereitstellung einer Dokumentenvorlagestruktur zur Erstellung eines medizinischen Befundsberichts Download PDF

Info

Publication number
DE102022211036A1
DE102022211036A1 DE102022211036.6A DE102022211036A DE102022211036A1 DE 102022211036 A1 DE102022211036 A1 DE 102022211036A1 DE 102022211036 A DE102022211036 A DE 102022211036A DE 102022211036 A1 DE102022211036 A1 DE 102022211036A1
Authority
DE
Germany
Prior art keywords
medical
data set
pds
vds
document template
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102022211036.6A
Other languages
English (en)
Inventor
Sven Kohle
Christoph SPEIER
Christian Tietjen
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Healthineers Ag De
Original Assignee
Siemens Healthineers AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Healthineers AG filed Critical Siemens Healthineers AG
Priority to DE102022211036.6A priority Critical patent/DE102022211036A1/de
Priority to CN202311341615.6A priority patent/CN117912626A/zh
Priority to US18/488,490 priority patent/US20240127917A1/en
Publication of DE102022211036A1 publication Critical patent/DE102022211036A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

Die Erfindung betrifft Verfahren und Systeme zur Unterstützung einer Erstellung von medizinischen Befundsberichten (MBB). Insbesondere betreffen Ausführungsformen der Erfindung Verfahren und Systeme zum Auffinden bzw. Identifizieren von Bausteinen bzw. Elementen, sog. Dokumentenvorlagestrukturen (DVS), auf deren Grundlage ein medizinischer Befundsbericht passend für den jeweiligen zu befundenden Patienten erstellt werden kann. Dazu werden mehrere verschiedene Vergleichsdatensätze (VDS) bereitgestellt, wobei jeder Vergleichsdatensatz (VDS) wenigstens einen medizinischen Referenz-Befundsbericht (R-MBB) aufweist. Ferner wird eine Analysefunktion (AF) bereitgestellt, die dazu ausgebildet ist, zu einem medizinischen Datensatz (PDS) des befundenden Patienten wenigstens einen Referenzdatensatz (RDS) aus mehreren Vergleichsdatensätzen (VDS) zu ermitteln. Damit wird wenigstens ein Referenzdatensatzes (RDS) aus den mehreren Vergleichsdatensätzen (VDS) durch Anwenden der Analysefunktion (AF) auf den medizinischen Datensatz (PDS) und die Vergleichsdatensätze (VDS) ermittelt. Dann wird wenigstens eine Dokumentenvorlagestruktur (DVS) für den zu befundenden Patienten basierend auf dem mit dem wenigstens einen Referenzdatensatz (RDS) assoziierten wenigstens einen medizinischen Referenz-Befundsbericht (R-MBB) identifiziert und zur weiteren Verarbeitung und insbesondere zur Erstellung eines medizinischen Befundsberichts (MBB) für den zu befundenden Patienten bereitgestellt.

Description

  • Die Erfindung betrifft Verfahren und Systeme zum Einsatz bei der medizinischen Befundung. Verfahren und Vorrichtungen gemäß Ausführungsformen der Erfindung können insbesondere bei der Erstellung medizinischer Befundsberichte verwendet werden. Insbesondere betreffen Ausführungsformen der Erfindung Verfahren und Systeme zum Auffinden bzw. Identifizieren von insbesondere vorbestimmten Bausteinen bzw. Elementen, auf deren Grundlage ein medizinischer Befundsbericht erstellt werden kann, wobei das Auffinden passend für den jeweiligen zu befundenden Patienten erfolgt.
  • Bei der Befundung eines medizinischen Datensatzes werden Auffälligkeiten in einem medizinischen Befundsbericht beschrieben. Dabei werden Auffälligkeiten in dem medizinischen Datensatz markiert oder auch vermessen und in dem Befundsbericht vermerkt.
  • Die Befundung sowie die Erstellung medizinischer Befundsberichte sind komplexe Tätigkeiten. Typischerweise müssen z.B. Radiologen bei der Auswertung medizinischer Daten und der Erstellung eines Befundsberichts mehrere Aufgaben parallel erledigen. In erster Linie müssen sie die wesentlichen medizinischen (Bild-)Daten des Patienten analysieren und ihre Beobachtungen und Eindrücke in einem Befundsbericht zusammenfassen. Darüber hinaus müssen sie zusätzliche Informationen über den Patienten berücksichtigen. Diese Informationen können beispielsweise aus Bildern unterschiedlicher Modalitäten oder Messprotokollen stammen, sowie von Informationen in der Krankenakte des Patienten, Laborbefunden, früheren Aufnahmen etc. herrühren. Art und Anzahl der einzelnen Arbeitspakete in der Befundung und somit der zu erstellende Befundsbericht hängen von vielen Faktoren, wie den verfügbaren interdisziplinären Daten, dem Patientenstatus, der Befundungsaufgabe, dem Krankheitsstatus, den vorliegenden Verdachtsdiagnosen usw. ab.
  • Nicht immer ist dem Befunder klar, wie der Befundsbericht im Einzelfall am besten aufgebaut werden soll, oder auf welche weiteren Aspekte geachtet werden sollte. Darüber hinaus ist eine Diagnose aufgrund der vorliegenden Daten und Zusatzangaben nicht immer eindeutig und es liegen mögliche Differentialdiagnosen vor, die in einem weiteren diagnostischen Prozess abgeklärt werden müssen.
  • Um den Befundern eine Hilfestellung anzubieten, wurden sogenannte strukturierte Befundsberichte eingeführt. Diese basieren auf strukturierten, maschinenlesbaren (Berichts-)Vorlagen oder „Template-Bausteinen“, die vom Befunder kombiniert und schrittweise ausgefüllt werden können, um den endgültigen medizinischen Befundsbericht bereitzustellen. Idealerweise ist ein strukturierter Befundsbericht maschinenlesbar, hat eine feste Struktur und enthält standardisierte Elemente, Formulierungen und Layouts. Darüber hinaus können vorgefertigte Berichtsvorlagen oder Module als Bausteine für den medizinischen Befundsbericht verwendet werden. Diese können eine fallspezifische Struktur bieten und empfohlene Befundungsschritte enthalten.
  • Strukturierte Befundsberichte können zwar die Qualität und Interoperabilität medizinischer Berichte verbessern, jedoch kann dies auch den Aufwand für den einzelnen Befunder bei der Erstellung des Befundsberichts erhöhen. Anstatt den medizinischen Befund mehr oder weniger frei zu diktieren, muss der Befunder die richtigen Vorlagen oder Bausteine auswählen und diese in vorgegebener Weise füllen. Hinzu kommt, dass ein Befunder in der Regel aus einer Vielzahl unterschiedlicher Vorlagen wählen muss. Das Finden der richtigen Vorlage ist oft entscheidend für den gesamten Prozess, da eine falsche Vorlage die Befundung und damit die gesamte Diagnose auf den falschen Weg bringen kann. Die Auswahl der richtigen Vorlagen wiederum ist eine schwierige Aufgabe, da dies von verschiedenen Faktoren wie der diagnostischen Aufgabe, dem Krankheitsbild, den abzuklärenden Verdachtsdiagnosen oder den verfügbaren Daten abhängen kann. Darüber hinaus gibt es selten eine einzelne Vorlage für einen medizinischen Befundsbericht. Vielmehr müssen verschiedene Module oder Teilvorlagen kombiniert werden, um zu einem umfassenden medizinischen Befundsbericht zu gelangen.
  • Vor diesem Hintergrund ist es eine Aufgabe von Ausführungsformen der vorliegenden Erfindung, Verfahren und Systeme bereitzustellen, die einem Befunder bzw. Nutzer bei der Erstellung eines medizinischen Befundsbericht unterstützen. Insbesondere ist es eine Aufgabe von Ausführungsformen der vorliegenden Erfindung, Verfahren und Systeme bereitzustellen, die dem Nutzer für den jeweiligen Fall passende Dokumentenvorlagestrukturen zur Erstellung eines medizinischen Befundsberichts bereitstellen, auf deren Grundlage der Nutzer einen medizinischen Befundsbericht zielführend und effizient erstellen kann.
  • Diese und weitere Aufgaben werden mit einem Verfahren, einem System, einem Computerprogrammprodukt bzw. einem computerlesbaren Speichermedium gemäß dem Hauptanspruch und den nebengeordneten Ansprüchen gelöst. Vorteilhafte Weiterbildungen sind in den abhängigen Ansprüchen angegeben.
  • Nachstehend wird die erfindungsgemäße Lösung der Aufgabe sowohl in Bezug auf die beanspruchten Systeme als auch in Bezug auf die beanspruchten Verfahren beschrieben. Hierbei erwähnte Merkmale, Vorteile oder alternative Ausführungsformen/Aspekte sind ebenso auf die anderen beanspruchten Gegenstände zu übertragen und umgekehrt. Mit anderen Worten können die gegenständlichen Ansprüche (die beispielsweise auf ein System gerichtet sind) auch mit den Merkmalen, die in Zusammenhang mit einem Verfahren beschrieben oder beansprucht sind, weitergebildet sein. Die entsprechenden funktionalen Merkmale des Verfahrens können dabei durch entsprechende gegenständliche Module ausgebildet sein.
  • Weiterhin wird die erfindungsgemäße Lösung der Aufgabe auch in Bezug auf Verfahren und Systeme zum Anpassen von trainierten Funktionen beschrieben. Hierbei können Merkmale und alternative Ausführungsformen/Aspekte von Datenstrukturen und/oder Funktionen bei Verfahren und Vorrichtungen in der Anwendung einer trainierten Funktion auf analoge Datenstrukturen und/oder Funktionen bei Verfahren und Systemen zum Anpassen übertragen werden. Analoge Datenstrukturen können hierbei insbesondere durch die Verwendung der Vorsilbe „Trainings-“ gekennzeichnet sein. Weiterhin können die in Verfahren und Vorrichtungen verwendeten trainierten Funktionen insbesondere durch Verfahren und Systeme zum Anpassen von trainierten Funktionen angepasst worden und/oder bereitgestellt worden sein.
  • Gemäß einem Aspekt wird ein Computer-implementiertes Verfahren zur Bereitstellung einer Dokumentenvorlagestruktur bereitgestellt. Die Dokumentenvorlagestruktur ist dabei dazu geeignet, dass auf ihrer Grundlage ein medizinischer Befundsbericht im Rahmen einer Befundung eines zu befundenden Patienten erstellt wird. Das Verfahren weist mehrere Schritte auf. Ein Schritt ist auf ein Empfangen eines medizinischen Datensatzes des zu befundenden Patienten in einer Recheneinrichtung gerichtet. Ein weiterer Schritt ist auf ein Bereitstellen mehrerer von dem medizinischen Datensatz verschiedener Vergleichsdatensätze in der Recheneinrichtung gerichtet, wobei jeder Vergleichsdatensatz wenigstens einen medizinischen Referenz-Befundsbericht aufweist. Ein weiterer Schritt ist auf ein Bereitstellen einer Analysefunktion gerichtet, die dazu ausgebildet ist, zu einem medizinischen Datensatz wenigstens einen Referenzdatensatz aus mehreren Vergleichsdatensätzen zu ermitteln. Ein weiterer Schritt ist auf ein Ermitteln wenigstens eines Referenzdatensatzes aus den mehreren Vergleichsdatensätzen durch Anwenden der Analysefunktion auf den medizinischen Datensatz und die Vergleichsdatensätze durch die Recheneinrichtung gerichtet. Ein weiterer Schritt ist auf ein Identifizieren wenigstens einer Dokumentenvorlagestruktur für den zu befundenden Patienten basierend auf dem mit dem wenigstens einen Referenzdatensatz assoziierten, wenigstens einen medizinischen Referenz-Befundsbericht durch die Recheneinrichtung gerichtet. Ein weiterer Schritt ist auf ein Bereitstellen der identifizierten wenigstens einen Dokumentenvorlagestruktur durch die Recheneinrichtung zur Erstellung eines medizinischen Befundsberichts für den zu befundenden Patienten gerichtet.
  • Ein medizinischer Befundsbericht kann das Ergebnis eines diagnostischen Prozesses sein, der darauf abzielt, den Zustand eines Patienten hinsichtlich einem oder mehrerer klinischer Aspekte basierend auf den dafür relevanten medizinischen Daten zu bestimmen. Ein medizinischer Befundsbericht kann ein Dokument aufweisen. Insbesondere kann medizinischer Befundsbericht ein strukturiertes Dokument oder strukturierte Dokumentteile aufweisen. Ferner kann ein medizinischer Befundsbericht ein unstrukturiertes Dokument oder unstrukturierte Dokumentteile aufweisen. Ferner kann der medizinische Befundsbericht aus einem oder mehreren Template-Bausteinen aufgebaut sein, die im Rahmen der Befundung patienten-spezifische Informationen eingeben werden.
  • Von bildgebenden Verfahren produzierte Daten, insbesondere beispielsweise Röntgenbilder, Magnetresonanzscans oder Ultraschallaufnahmen, Histopathologiebilder können einen Teil des medizinischen Befundsberichts bilden und dienen insbesondere der Dokumentation und Nachvollziehbarkeit des diagnostischen Prozesses. In ähnlicher Weise können Nicht-Bilddaten in dem medizinischen Befundsbericht enthalten sein.
  • Ferner können aus medizinischen Datensätzen durch Mittel der Datenverarbeitung auch Daten abgeleitet werden. Dies können z.B. aus Bilddaten, insbesondere automatisch, extrahierte Messwerte (etwa Volumina, Entfernungen, Kontrastwerte, Flächenverhältnisse, etc.) oder aus Nicht-Bilddaten, insbesondere automatisch, extrahierte Messwerte (Trends, Absolutwerte, etc.) sein. Auch solche Daten können in einem Befundsbericht enthalten sein.
  • Daneben obliegt es einem Nutzer, den medizinischen Datensatz oder Einzelinformationen im Hinblick auf Krankheitsbilder zu interpretieren oder zu begutachten. Auch die Ergebnisse der Begutachtung der Patientendaten können in den medizinischen Befundbericht z.B. als Befundungstext eingehen.
  • Die medizinischen Daten können zu dem zu befundenden Patienten verfügbare Daten und Informationen umfassen. Dabei können die medizinischen Daten sämtliche oder nur einen Teil der zu dem zu befundenden Patienten verfügbaren Daten und Informationen umfassen. Die medizinischen Daten können sowohl medizinische Bilddaten als auch Nicht-Bilddaten umfassen. Bilddaten können sich in diesem Zusammenhang auf medizinische Bilddaten mit zwei oder drei räumlichen Dimensionen beziehen. Ferner können die Bilddaten zusätzlich eine zeitliche Dimension aufweisen. Medizinische Bilddaten sind dabei insbesondere Bilddaten, die mit einer bildgebenden Modalität aufgenommen wurden und insbesondere ein Körperteil des Patienten darstellen können. Bildgebende Modalitäten können dabei beispielsweise Computertomografie-Geräte, Magnetresonanzgeräte, Röntgengeräte, Ultraschallgeräte und dergleichen umfassen. Mit solchen oder ähnlichen Modalitäten aufgenommene Bilddaten werden auch als Radiologie-Bilddaten bezeichnet. Ferner können medizinische Bilddaten digitalisierte Histopathologiebilder umfassen, die einen entsprechend präparierten Gewebeschnitt des Patienten darstellen. Die Bilddaten können ferner longitudinale Daten umfassen, etwa in Form von Zeitserien oder zeitlich beabstandeten Folgeaufnahmen.
  • Nicht-Bilddaten können, insbesondere longitudinale, Daten umfassen, die eine oder mehrere medizinische Werte des Patienten und/oder Elemente aus der Krankheitshistorie des Patienten beinhalten. Dabei kann es sich um Labordaten, Vitalwerte und/oder sonstige auf den Patienten bezogene Messwerte bzw. Voruntersuchungen handeln. Ferner können die Nicht-Bilddaten auf den Patienten bezogene demografische Angaben etwa bezogen auf das Alter, das Geschlecht, die Lebensgewohnheiten, Risikofaktoren usw. umfassen.
  • Die medizinischen Daten können dabei von ein oder mehreren Speichereinrichtungen abgerufen werden, welche Speichereinrichtungen in ein medizinische Informationsnetzwerk eingebunden sein können. Beispielsweise kann der Nutzer eine Befundungsaufgabe bzw. einen Patienten aus einer Arbeitsliste in einer Front-End-Recheneinrichtung auswählen. Basierend auf der Auswahl der Befundungsaufgabe bzw. des Patienten können die angeschlossenen Speichereinrichtungen nach den Patientendaten des Patienten abgefragt werden (z.B. durch die Recheneinrichtung oder die Front-End-Recheneinrichtung). Hierfür kann beispielsweise ein elektronischer Identifikator, wie etwa eine Patienten-ID oder eine Zugriffsnummer, verwendet werden. Entsprechend können die medizinischen Daten von einer oder mehreren der verfügbaren Speichereinrichtungen empfangen werden, in denen jeweils zumindest Teile der medizinischen Daten gespeichert sind. Die Speichereinrichtungen können dabei beispielsweise Teil medizinischer Informationssysteme, wie etwa Krankenhausinformationssysteme und/oder PACS-Systeme und/oder Labor-Informationssysteme usw. sein.
  • Die medizinischen Daten können nach einigen Ausführungsformen/Aspekten der Erfindung sehr umfassende und verschiedenartige Informationen über den Gesundheitszustand des Patienten aufweisen (nach anderen Ausführungsformen/Aspekten aber auch nur auf eine Datenkategorie begrenzt sein - etwa Bilddaten und dabei insbesondere Radiologie-Bilddaten). Es kann eine Aufgabe des Nutzers sein, im Rahmen einer Befundungsaufgabe basierend auf den medizinischen Daten einen medizinischen Befund bzw. eine medizinische Diagnose oder Schlussfolgerung zu ziehen und einen medizinischen Befundsbericht zu erstellen.
  • Die Vergleichsdatensätze können im Wesentlichen die gleiche Form aufweisen wie der medizinische Datensatz. Im Unterschied zum medizinischen Datensatz liegt für die Vergleichsdatensätze allerdings bereits jeweils wenigstens ein medizinischer Befundsbericht als Referenz-Befundsbericht vor. Die Vergleichsdatensätze können (zumindest teilweise) von verschiedenen Patienten als der zu befundende Patient sein. Daneben können die Vergleichsdatensätze auch, insbesondere ältere, Datensätze des zu befundenden Patienten aufweisen.
  • Gemäß einigen Beispielen können die Vergleichsdatensätze jeweils nur einen medizinischen Befundsbericht aufweisen. Mit anderen Worten können die Vergleichsdatensätze als Ansammlung oder Archiv bestehender Befundsberichte verstanden werden.
  • Die Referenz-Befundsberichte können insbesondere abgeschlossene Befundsberichte aufweisen. Abgeschlossene Befundsberichte können dabei signiert und/oder verifiziert sein. Signiert und/oder verifiziert worden sein können die Befundsberichte beispielsweise durch den Nutzer oder einen oder mehrere weitere Nutzer (die von dem Nutzer verschieden sind). Die Referenz-Befundsberichte können jeweils auf wenigstens einer Dokumentenvorlagestruktur basieren oder wenigsten eine Dokumentenvorlagestruktur umfassen.
  • Die Analysefunktion kann insbesondere als Computerprogrammprodukt aufgefasst werden, das dazu ausgebildet ist, aus mehreren Vergleichsdatensätzen einen oder mehrere Referenzdatensätze auszuwählen, die zu einem medizinischen Datensatz „passen“. Die Analysefunktion kann Programmbestandteile in Form ein oder mehrerer Instruktionen für die Recheneinrichtung zum Ermitteln der Referenzdatensätze aufweisen. Bereitgestellt werden kann die Analysefunktion beispielsweise, indem sie in einer Speichereinrichtung vorgehalten wird oder in einen Arbeitsspeicher der Recheneinrichtung geladen wird oder allgemein zur Anwendung zur Verfügung gestellt wird.
  • Die Analysefunktion ist dazu ausgebildet, basierend auf Eingabedaten (umfassend wenigstens einen medizinischen Datensatz und mehrere Vergleichsdatensätze) einen oder mehrere Referenzdatensätze als Ausgabedaten bereitzustellen. Zur Auswahl geeigneter Referenzdatensätze kann die Analysefunktion verschiedene Verfahren einzeln oder in Kombination implementieren. Beispielsweise kann die Analysefunktion dazu ausgebildet sein, die Vergleichsdatensätze nach geeigneten Referenzdatensätzen zu filtern, die ein oder mehrere Eigenschaften aufweisen. Ferner kann die Analysefunktion dazu ausgebildet sein eine Ähnlichkeit oder Vergleichbarkeit einzelner Vergleichsdatensätze mit dem medizinischen Datensatz zu ermitteln bzw. zu quantifizieren. Dazu kann die Analysefunktion dazu ausgebildet sein, die jeweiligen Inhalte des medizinischen Datensatze bzw. der Vergleichsdatensätze zu erschließen und auszuwerten.
  • Ein Anwenden der Analysefunktion auf Eingangsdaten kann insbesondere ein Eingeben der Eingangsdaten in die Analysefunktion umfassen.
  • Referenzdatensätze können insbesondere solche Vergleichsdatensätze sein, die aufgrund ihrer Inhalte eine gewisse Ähnlichkeit oder Vergleichbarkeit mit dem medizinischen Datensatz aufweisen. Insbesondere können Referenzdatensätze solche Datensätze sein, die ähnliche Inhalte wie der medizinische Datensatz aufweisen und/oder ein ähnliches Krankheitsbild wie der medizinische Datensatz indizieren.
  • Eine Dokumentenvorlagestruktur kann insbesondere ein Datenelement sein, das ein Erstellen eines medizinischen Befundsberichts für den zu befundenden Patienten vereinfacht oder unterstützt. Erstellt werden kann der medizinische Befundsbericht dabei automatisiert oder unter Mitwirkung des Nutzers.
  • Beispielsweise kann die Dokumentenvorlagestruktur einen insbesondere abgeschlossenen Referenz-Befundsbericht als solchen umfassen, an dem sich ein Nutzer orientieren kann. Ferner kann die Dokumentenvorlagestruktur ein leeres oder zumindest teilweise leeres Dokumenten-Template umfassen, dass zum Erstellen des Befundsberichts z.B. durch den Nutzer befüllt werden kann. Ferner kann die Dokumentenvorlagestruktur einen Template-Baustein umfassen, der mit weiteren Bausteinen und Elementen kombiniert werden kann, um einen medizinischen Befundsbericht zusammenzustellen.
  • Die Recheneinrichtung kann als Back-End-Recheneinrichtung ausgebildet sein. Insbesondere kann die Recheneinrichtung als Server-System ausgebildet sein. Die Recheneinrichtung kann einen Cluster oder eine Gruppe von Recheneinrichtungen und Datenspeichern aufweisen. Die Recheneinrichtung selbst kann keine Nutzerschnittstelle für den Nutzer aufweisen. Die Recheneinrichtung kann mit einer Front-End-Recheneinrichtung über ein medizinisches Informationsnetzwerk in Datenverbindung stehen, welche Front-End-Recheneinrichtung eine Nutzerschnittstelle für den Nutzer hostet. Die Recheneinrichtung kann mit mehreren verschiedenen (aber insbesondere gleichartigen) Front-End-Recheneinrichtungen über das medizinische Netzwerk in Datenverbindung stehen. Die Front-End-Recheneinrichtung(en) können einer medizinischen Organisation, wie etwa einer Praxis, einem Krankenhaus oder einem Krankenhausverbund, angehören. Die Recheneinrichtung kann ebenfalls der medizinischen Organisation angehören oder außerhalb der medizinischen Organisation ausgebildet sein. Die Recheneinrichtung kann über das medizinische Informationsnetzwerk mit mehreren verschiedenen Front-End-Recheneinrichtungen in Datenverbindung stehen, die jeweils verschiedenen medizinischen Organisationen angehören.
  • Gemäß Ausführungsformen kann das medizinische Informationsnetzwerk auf dem HL7-Standard basieren. Health Level 7 (HL7) ist eine Gruppe internationaler Standards für den Austausch von Daten zwischen Organisationen im Gesundheitswesen und deren Computersystemen. Insbesondere können Kommunikations- und/oder Datenverbindungen auf dem FHIR-Standard basieren. Fast Healthcare Interoperability Resources (FHIR) ist ein von HL7 erarbeiteter Standard. Er unterstützt den Datenaustausch zwischen Softwaresystemen im Gesundheitswesen. Durch die Nutzung des HL7 bzw. FHIR-Standards können Daten strukturiert übertragen werden und es ist keine Umformatierung notwendig.
  • Gemäß einem Aspekt erfolgt im Schritt des Bereitstellens der identifizierten Dokumentenvorlagestruktur ein Bereitstellen der Dokumentenvorlagestruktur an eine Nutzerschnittstelle zur weiteren Bearbeitung durch einen Nutzer. Gemäß einigen Beispielen können dem Nutzer zur weiteren Unterstützung zusätzlich der Referenzdatensatz oder Teile davon bereitgestellt werden. Insbesondere kann dem Nutzer neben der Dokumentenvorlagestruktur der Referenz-Befundsbericht bereitgestellt werden (sofern dieser nicht ohnehin bereits als Dokumentenvorlagestruktur bereitgestellt wird).
  • Die Nutzerschnittstelle kann insbesondere von einer Front-End-Recheneinrichtung bereitgestellt werden. Die Front-End-Recheneinrichtung kann insbesondere als Befundungsarbeitsplatz oder Befundungsstation ausgebildet sein, an der ein Nutzer (insbesondere ein medizinisches Personal wie eine Ärztin oder ein Arzt) medizinische Datensätze aufrufen und/oder sichten und/oder analysieren kann, und/oder an der der Nutzer medizinische Berichte aufrufen und/oder sichten und/oder modifizieren kann. Dazu kann die Front-End-Recheneinrichtung eine Nutzerschnittstelle aufweisen. Die Front-End-Recheneinrichtung kann als sog. Client ausgebildet sein.
  • Durch die Bereitstellung von Dokumentenvorlagestrukturen können Elemente bereitgestellt werden, die für die Erstellung eines medizinischen Befundsberichts für den zu befundenden Patienten verwendet werden können - entweder durch den Nutzer oder eine nachgeschaltete (teil-)automatisierte Verarbeitung. Dadurch, dass die bereitgestellten Dokumentenvorlagestrukturen basierend auf Referenzdatensätzen identifiziert werden, werden nicht irgendwelche beliebigen Dokumentenvorlagestrukturen bereitgestellt, sondern solche, die sich in Referenzfällen als hilfreich erwiesen haben. Mit anderen Worten erfolgt durch die Suche nach Referenzfällen eine gezielte Auswahl von Dokumentenvorlagestrukturen für das Erstellen eines medizinischen Befundsberichts spezifisch für den zu befundenden Patienten. Dadurch kann das Verfahren in einem Ensemble an Vergleichsdatensätzen vorhandenes Wissen für neue Befundungs-Workflows einsetzen, und zwar durch die Bereitstellung von Dokumentenvorlagestrukturen etwa in Form von Befundungs-Templates. Daneben werden dadurch auch weitere diagnostische Handlungsempfehlungen für den Nutzer bereitgestellt. Insgesamt wird der Nutzer dadurch bei der zielführenden und effizienten Erstellung eines medizinischen Befundsberichts wirksam unterstützt.
  • Gemäß einem Aspekt umfasst der Schritt des Bereitstellens der Dokumentenvorlagestruktur ferner einen Schritt des Anonymisierens der identifizierten Dokumentenvorlagestruktur.
  • Dadurch kann gewährleistet werden, dass personenbezogene Daten des Patienten des jeweiligen Referenzdatensatzes ausreichend geschützt werden. Ferner kann so eine Bereitstellung von Dokumentenvorlagestrukturen über Organisationsgrenzen hinweg ermöglicht werden. Alternativ können bereits die bereitgestellten Vergleichsdatensätze anonymisiert sein.
  • Gemäß einem Aspekt kann das Verfahren ferner einen Schritt des Ermittelns eines Befundungskontexts basierend auf dem medizinischen Datensatz und/oder einer Nutzereingabe und/oder einer Befundungsaufgabe umfassen, wobei die Analysefunktion ferner dazu ausgebildet ist, den Referenzdatensatz zusätzlich basierend auf dem Befundungskontext zu ermitteln, und im Schritt des Ermittelns der wenigstens eine Referenzdatensatzes zusätzlich durch Anwenden der Analysefunktion auf den Befundungskontext ermittelt wird.
  • Der Befundungskontext (ein anderes Wort ist Kontextinformation) kann insbesondere Rahmenbedingungen angeben, die für eine bestimmte diagnostische Tätigkeit des Nutzers bzw. den zu erstellenden Befundsbericht relevant sind. Der Befundungskontext kann sich auf den zu erstellenden Befundsbericht beziehen und z.B. festlegen, welche Informationen der Bericht enthalten soll und gegebenenfalls deren Reihenfolge. Der Befundungskontext kann Angaben über die diagnostische Tätigkeit, die Befundungsaufgabe, den Gesundheitsstatus des Patienten usw. umfassen. Der Befundungskontext kann für eine bestimmte diagnostische Tätigkeit bzw. Befundungsaufgabe aus einer Vielzahl von Elementen ausgewählt werden. Beispiele für Befundungskontexte sind: „Befundung einer Brust CT-Aufnahme nach einem Trauma“, „Nachsorgeuntersuchung im Rahmen einer Krebstherapie des Organs X“, „Analyse einer MR-Aufnahme der Lunge“, „Bestätigung einer Verdachtsdiagnose Y“ usw. Die Befundungsaufgabe kann beispielsweise basierend auf einer entsprechenden Nutzereingabe und/oder den medizinischen Daten erfasst werden.
  • Durch die Berücksichtigung des Befundungskontexts können Referenzdatensätze zielgerichteter ausgewählt werden. So kann die Analysefunktion dazu ausgebildet sein, solche Vergleichsdatensätze als Referenzdatensätze zu identifizieren, die einen identischen oder zumindest ähnlichen Befundungskontext aufweisen.
  • Gemäß einem Aspekt ist jede Dokumentenvorlagestruktur mit einem Befundungskontext assoziiert, und der Schritt des Bereitstellens umfasst ein Ausgeben des mit der identifizierten Dokumentenvorlagestruktur assoziierten Befundungskontexts über die Nutzerschnittstelle. Dadurch kann der Nutzer einfacher entscheiden, für welchen Befundungsworkflow die Dokumentenvorlagestruktur geeignet ist.
  • Gemäß einem Aspekt umfasst das Verfahren ferner einen Schritt eines Empfangens einer auf den medizinischen Datensatz gerichteten Nutzereingabe des Nutzers über eine Nutzerschnittstelle, wobei die Analysefunktion ferner dazu ausgebildet ist, den Referenzdatensatz zusätzlich basierend auf den medizinischen Datensatz gerichteten Nutzereingabe zu ermitteln, und im Schritt des Ermittelns der wenigstens eine Referenzdatensatzes zusätzlich durch Anwenden der Analysefunktion auf die Nutzereingabe ermittelt wird.
  • Durch die Berücksichtigung der Nutzereingabe können Referenzdatensätze zielgerichteter ausgewählt werden. So kann eine Nutzereingabe einen für den Nutzer bei der Befundung relevanten Aspekt innerhalb des medizinischen Datensatzes andeuten, der dann entsprechend berücksichtigt werden kann.
  • Gemäß einem Aspekt umfasst die Nutzereingabe eine Angabe einer oder mehrerer Verdachtsdiagnosen durch den Nutzer. Dabei kann eine solche Nutzereingabe eine Auswahl einer oder mehrerer Verdachtsdiagnosen aus einem vorbestimmten Satz (oder Liste) an Verdachtsdiagnosen umfassen. Insbesondere kann das Ermitteln des Befundungskontexts basierend auf den angegeben Verdachtsdiagnosen erfolgen.
  • Durch die Berücksichtigung von Verdachtsdiagnosen können die Referenzdatensätze zielführend ausgewählt werden. Beispielsweise kann die Analysefunktion dazu ausgebildet sein die eine oder mehreren angegebenen Verdachtsdiagnosen mit Diagnosen in den Vergleichsdatensätzen abzugleichen, um so geeignete Referenzdatensätze zu ermitteln. Dabei kann die Analysefunktion beispielsweise dazu ausgebildet sein, solche Vergleichsdatensätze als Referenzdatensätze zu ermitteln deren Diagnosen den angegebenen Verdachtsdiagnosen entsprechen.
  • Gemäß einem Aspekt ist die Nutzereingabe auf eine oder mehrere der folgenden Eingaben gerichtet:
    • - ein Definieren eines Interessensbereichs in dem medizinischen Datensatz,
    • - eine Detektion einer medizinischen Auffälligkeit in dem medizinischen Datensatz,
    • - ein Erstellen eines Messwerts einer in dem medizinischen Datensatz gezeigten Auffälligkeit,
    • - ein Auswählen eines Analysewerkzeugs zum Erstellen eines Messwerts einer in dem medizinischen Datensatz gezeigten Auffälligkeit, und/oder
    • - ein Einstellen ein oder mehrerer Wiedergabeparameter zur Darstellung des medizinischen Datensatzes in der Nutzerschnittstelle.
  • Gemäß einem Aspekt umfasst der medizinische Datensatz wenigstens einen medizinischen Bilddatensatz des zu befundenden Patienten, und die Nutzereingabe umfasst eine oder mehrere der folgenden Eingaben:
    • - ein Definieren einer Interessensbereichs in dem medizinischen Bilddatensatz,
    • - eine Detektion einer in dem medizinischen Bilddatensatz gezeigten medizinischen Auffälligkeit,
    • - ein Erstellen eines Messwerts einer in dem medizinischen Bilddatensatz gezeigten medizinischen Auffälligkeit,
    • - ein Auswählen eines Analysewerkzeugs zum Erstellen eines Messwerts eines in dem medizinischen Bilddatensatz gezeigten medizinischen Auffälligkeit, und/oder
    • - ein Einstellen ein oder mehrerer Bildwiedergabeparameter zur Darstellung des medizinischen Bilddatensatzes in der Nutzerschnittstelle.
  • Unter einem Interessensbereich können ein Bereich oder Datenelemente innerhalb des medizinischen Datensatzes verstanden werden. Der Interessensbereich kann mindestens eines, vorzugsweise jedoch mehrere Datenelemente des medizinischen Datensatzes umfassen. Beispielsweise kann sich dies auf eine Datenkategorie beziehen, die der Nutzer gerade betrachtet, wie etwa Labordaten oder Histopathologiedaten. Ferner kann der Interessenbereich einen zeitlichen Abschnitt einer longitudinalen Datenreihe sein, etwa einen Abschnitt einer Zeitserie von Vitaldaten des zu befundenden Patienten. Ferner kann sich der Interessensbereich auf eine Gruppe von Bildelementen wie Pixel oder Voxel innerhalb von medizinischen Bilddaten beziehen, die in dem medizinischen Datensatz enthalten sind. Ein solcher Interessensbereich kann dabei eine beliebige Form haben, vorzugsweise ist der interessierende Bereich kreisförmig oder quadratisch. Ferner kann der interessierende Bereich mehrere einzelne Unterbereiche umfassen.
  • Eine medizinische Auffälligkeit kann sich auf ein Datenelement in dem medizinischen Datensatz beziehen. Beispielsweise kann sich eine medizinische Auffälligkeit auf entsprechende Bilddaten in medizinischen Bildern beziehen. Eine medizinische Auffälligkeit kann auf einen bestimmten Zustand oder eine bestimmte Pathologie des zu befundenden Patienten hinweisen. Der Zustand oder die Pathologie kann für die Diagnose des zu befundenden Patienten relevant sein.
  • Eine medizinische Auffälligkeit kann sich auf eine Struktur oder ein Datum beziehen, die den Patienten von anderen (gesunden) Patienten unterscheiden. Medizinische Auffälligkeiten können sich in verschiedenen Organen des Patienten (z. B. in der Lunge eines Patienten oder in der Leber eines Patienten) oder zwischen den Organen des Patienten befinden.
  • Insbesondere kann sich eine medizinische Auffälligkeit auf in medizinischen Bilddaten des medizinischen Datensatzes gezeigte Strukturen oder Muster beziehen. Insbesondere kann sich eine medizinische Auffälligkeit auf eine Neubildung (auch als „Tumor“ bezeichnet), insbesondere eine gutartige Neubildung, eine In-situ-Neubildung, eine bösartige Neubildung und/oder eine Neubildung mit ungewissem/unbekanntem Verhalten beziehen. Insbesondere kann sich eine medizinische Auffälligkeit auf einen Knoten beziehen, insbesondere einen Lungenknoten. Insbesondere kann sich ein medizinischer Befund auf eine Läsion beziehen, insbesondere eine Lungenläsion.
  • Insbesondere kann sich eine medizinische Auffälligkeit auf einen auffälligen Datenwert oder eine Kombination auffälliger Datenwerte in dem medizinischen Datensatz beziehen. Beispielsweise kann sich eine medizinische Auffälligkeit auf einen von einer Norm abweichenden Laborwert beziehen, wie etwa einen PSA-Wert oder Vitalwerte.
  • Ein Messwert kann allgemein dazu ausgebildet sein, dass er eine medizinische Auffälligkeit quantifiziert.
  • Im Allgemeinen stehen dem Benutzer verschiedene Arten von Analysewerkzeugen zur Verfügung. Beispielsweise können solche Werkzeuge Geometriemesswerkzeuge, Volumenmesswerkzeuge, Bildverarbeitungswerkzeuge, Ausreißer (engl. Outlier)-Erfassungswerkzeuge und/oder computergestützte Erkennungswerkzeuge sein. Dementsprechend gibt die Art des vom Benutzer aufgerufenen Analysewerkzeugs auch die Art einer entsprechenden medizinischen Auffälligkeit an, die mit dem Werkzeug identifiziert wurde. Ein Analysewerkzeig kann insbesondere dazu ausgebildet sein, einen Messwert für eine medizinische Auffälligkeit zu erzeugen. Somit kann die Verwendung dieser Informationen das Ergebnis beim Auffinden von Referenzdatensätzen weiter verbessern.
  • Gemäß einem Aspekt umfassen die Wiedergabeparameter eine oder mehrere der folgenden Parameter:
    • - eine Auswahl eines Datenelements aus dem medizinischen Datensatz,
    • - eine auf Bilddaten des medizinischen Datensatzes angewendete Organsegmentierung,
    • - ein auf Bilddaten des medizinischen Datensatzes angewendete Intensitäts-Fenster (Intensity Window),
    • - eine auf Bilddaten des medizinischen Datensatzes angewendete Kontrast- und/oder Helligkeitsanpassung,
    • - eine für Bilddaten des medizinischen Datensatzes angewendete Look-Up-Table,
    • - eine automatische Ansichtseinstellung, die auf Bilddaten des medizinischen Datensatzes angewendet wird,
    • - eine für Bilddaten des medizinischen Datensatzes ausgewählte Betrachtungsebene bzw. Richtung, und/oder
    • - eine für Bilddaten des medizinischen Datensatzes ausgewählte Zoomstufe oder Schwenkung.
  • Solche Nutzereinaben geben Aufschluss über die Bereiche des medizinischen Datensatzes, die für den Nutzer von Interesse sind. Daher kann deren Berücksichtigung zu einer zielgerichteten Auswahl von Referenzdatensätzen und damit zu einer zielgerichteten Bereitstellung einer Dokumentenvorlagestruktur für die weitere Befundung beitragen. So kann z.B. basierend auf einer medizinischen Auffälligkeit und/oder einem zugehörigen Messwert gezielt nach Referenzdatensätzen gesucht werden, die solche Auffälligkeiten und/oder Messwerte ebenfalls enthalten. Ebenso können Wiedergabeparameter diejenigen Elemente des medizinischen Datensatzes anzeigen, die der Nutzer gerade betrachtet und die folglich von Interesse sind. Folglich können Referenzdatensätze gesucht werden, die diese Elemente ebenfalls enthalten.
  • Gemäß einem Aspekt umfasst der Verfahren ferner die Schritte:
    • - Bereitstellen einer von der Analysefunktion verschiedenen Detektionsfunktion, welche Detektionsfunktion zur automatisierten Detektion von medizinischen Auffälligkeiten in einem medizinischen Datensatz (PDS) ausgebildet ist, und
    • - Anwenden der Detektionsfunktion auf den medizinischen Datensatz durch die Recheneinrichtung zur Detektion wenigstens einer medizinischen Auffälligkeit, wobei
    • - die Analysefunktion ferner dazu ausgebildet ist, den Referenzdatensatz zusätzlich basierend auf einer durch die Detektionsfunktion in dem medizinischen Datensatz detektierten medizinischen Auffälligkeit zu ermitteln,
    • - im Schritt des Ermittelns der wenigstens eine Referenzdatensatzes zusätzlich durch Anwenden der Analysefunktion auf die medizinische Auffälligkeit ermittelt wird.
  • Eine Detektionsfunktion kann auch als Computer-gestützter Erkennungsalgorithmus bezeichnet werden. Beispielsweise kann die Detektionsfunktion zwei Stufen aufweisen: eine Erkennungsstufe zum Erkennen potenziell relevanter Muster in medizinischen Datensätzen und eine Klassifizierungsstufe zum Klassifizieren der potenziell relevanten Muster entweder als potentiell medizinisch relevant oder als falsch-positive und damit zu verwerfende Ergebnisse. Grundsätzlich ist für eine solche computergestützte Erkennung und Klassifikation von medizinischen Befundkandidaten eine Fülle von Funktionen und Verfahren bekannt, die alle in der Detektionsfunktion implementiert werden können. Beispielsweise sei auf die Offenbarung in den Schriften US 2009 / 0 092 300 A1 ,
    US 2009 / 0 067 693 A1 und US 2016 / 0 321 427 A1 verwiesen.
  • Gemäß einem Aspekt umfasst der medizinische Datensatz wenigstens einen medizinischen Bilddatensatz des zu befundenden Patienten, und die Detektionsfunktion ist dazu ausgebildet, eine medizinische Auffälligkeit in dem medizinischen Bilddatensatz zu detektieren.
  • Durch den Einsatz einer Detektionsfunktion kann der Nutzer weiter unterstützt werden. Er muss nicht selbst nach Auffälligkeiten suchen, sondern bekommt diese automatisiert bereitgestellt. Die Auffälligkeiten können umgekehrt von der Analysefunktion dazu verwendet werden, gezielt nach Referenzdatensätzen zu suchen, um so die Treffergenauigkeit der Bereitgestellten Dokumentenvorlagestruktur zu verbessern.
  • Gemäß einem Aspekt umfasst das Verfahren ferner die Schritte:
    • - Erhalten eines Interessensbereichs in dem medizinischen Datensatz in der Recheneinrichtung,
    • - Bestimmen einer anatomischen Lage des Interessensbereichs durch die Recheneinrichtung, wobei
    • - die Analysefunktion ferner dazu ausgebildet ist, den Referenzdatensatz zusätzlich basierend auf einer anatomischen Lage eines Interessensbereichs zu ermitteln, und
    • - im Schritt des Ermittelns der wenigstens eine Referenzdatensatzes zusätzlich durch Anwenden der Analysefunktion auf die anatomische Lage ermittelt wird.
  • Gemäß Beispielen kann der Interessensbereich durch den Nutzer im Wege einer Nutzereingabe bereitgestellt werden. Alternativ kann der Interessensbereich automatisiert, etwa durch Anwenden einer Detektionsfunktion auf den medizinischen Datensatz durch die Recheneinrichtung erhalten werden.
  • Die anatomische Lage (oder Ort) kann beispielsweise ein Organ oder einen Teil eines Organs bezeichnen. Wird z.B. ein zeitlicher Verlauf eines PSA-Werts als Interessensbereich identifiziert, kann als die Prostata als anatomische Lage bestimmt werden.
  • Mit der anatomischen Lage können Informationen abgerufen werden, die den anatomischen Kontext des Interessensbereichs angeben. Damit kann die Gruppe der potenziell relevanten Referenzdatensätze eingegrenzt werden, was zu besseren Ergebnissen bei der Bereitstellung der Dokumentenvorlagestruktur führt.
  • Gemäß einem Aspekt umfasst der medizinische Datensatz wenigstens einen medizinischen Bilddatensatz des zu befundenden Patienten, und das Verfahren umfasst ferner einen Schritt des Erhaltens wenigstens eines Messwerts einer in dem medizinischen Bilddatensatz gezeigten Läsion, insbesondere eines Tumors, wobei die Analysefunktion ferner dazu ausgebildet ist, den Referenzdatensatz zusätzlich basierend auf einem Messwert einer Läsion, insbesondere eines Tumors, zu ermitteln, und im Schritt des Ermittelns der wenigstens eine Referenzdatensatz zusätzlich durch Anwenden der Analysefunktion auf den Messwert ermittelt wird.
  • Dadurch kann gezielt nach Referenzdatensätzen gesucht werden, die Läsionen mit ähnlichen Messwerten zeigen, wodurch die Dokumentenvorlagestrukturen gezielt identifiziert werden können.
  • Gemäß einem Aspekt umfasst das Verfahren ferner einen Schritt des Erhaltens einer eine Eigenschaft des Nutzers betreffenden Nutzerinformation, wobei die Analysefunktion ferner dazu ausgebildet ist, den Referenzdatensatz zusätzlich basierend auf einer Nutzerinformation zu ermitteln, und im Schritt des Ermittelns der wenigstens eine Referenzdatensatzes zusätzlich durch Anwenden der Analysefunktion auf die Nutzerinformation ermittelt wird.
  • Eine Nutzerinformation beispielsweise bereits ein Identifikator des Nutzers sein, mit dem der Nutzer (beispielsweise in dem medizinischen Informationsnetzwerk) identifiziert werden kann. Dadurch kann nach z.B. Referenzdatensätzen gesucht werden, die der Nutzer in der Vergangenheit bearbeitet hat, wodurch Dokumentenvorlagestrukturen für den Nutzer gezielt identifiziert werden können.
  • Ferner kann die Nutzerinformation eine Präferenz des Nutzers hinsichtlich einer oder mehrerer Dokumentenvorlagestrukturen umfassen. Dadurch können gezielt solche Referenzdatensätze ermittelt werden, die Dokumentenvorlagestrukturen entsprechend der Präferenz des Nutzers umfassen oder auf solchen basieren.
  • Ferner kann die Nutzerinformation eine Angabe eines Nutzerkreises umfassen, dem der Nutzer angehört. Insbesondere kann die Angabe des Nutzerkreises eine oder mehrere Vorgaben hinsichtlich einer Verwendung von Dokumentenvorlagestrukturen umfassen.
  • Durch die Berücksichtigung des Nutzerkreises können beispielsweise Vorgaben bei der Befundung berücksichtigt werden, die der Nutzer befolgen muss. So kann z.B. für einen Nutzerkreis festgelegt sein, dass ein medizinischer Befundsbericht auf einer oder mehreren Dokumentenvorlagestrukturen basierend sollte. Entsprechend können Referenzdatensätze ermittelt werden, die den Vorgaben entsprechen, was eine gute Nutzbarkeit der auf dieser Grundlage identifizierten Dokumentenvorlagestrukturen garantiert.
  • Gemäß einem Aspekt umfasst der medizinische Datensatz wenigstens einen medizinischen Bilddatensatz des zu befundenden Patienten, und das Verfahren umfasst ferner den Schritt eines Bestimmens wenigstens eines, die Aufnahme des medizinischen Bilddatensatzes betreffenden, Aufnahmeparameters durch die Recheneinrichtung, wobei die Analysefunktion ferner dazu ausgebildet ist, den Referenzdatensatz zusätzlich basierend auf einem Aufnahmeparameters zu ermitteln, und im Schritt des Ermittelns der wenigstens eine Referenzdatensatz zusätzlich durch Anwenden der Analysefunktion auf den Aufnahmeparameter ermittelt wird.
  • Gemäß einem Aspekt umfasst der Aufnahmeparameter einen oder mehrere der folgenden Parameter:
    • - eine Patientenposition während des Bildaufnahmevorgangs,
    • - ein Bilderfassungsprotokoll, das zum Erfassen von Rohdaten verwendet wird, auf deren Grundlage der medizinische Bilddatensatz erzeugt wurden, und/oder
    • - ein Bildrekonstruktionsprotokoll, das zum Generieren des medizinischen Bilddatensatzes basierend auf Rohdaten verwendet wird.
  • Das Bilderfassungsprotokoll kann sich auf die Art der medizinischen Bildgebungsmodalität beziehen, die zum Erfassen des medizinischen Bilddatensatzes oder der zugrunde liegenden Rohdaten verwendet wird. Beispielsweise kann das Erfassungsprotokoll spezifizieren, ob ein MRI-System oder ein CT-System verwendet wurde. Ferner kann sich das Erfassungsprotokoll auf Einstellungen beziehen, die für die medizinische Bildgebungsmodalität während der Erfassung verwendet werden. Am Beispiel eines MRI-Systems kann dies bspw. die verwendete MR-Pulssequenz sein.
  • Das Rekonstruktionsprotokoll kann sich auf den Rekonstruktionsalgorithmus und die entsprechenden Einstellungen beziehen, die zum Verarbeiten der erfassten Rohdaten verwendet werden, um den medizinischen Bilddatensatz bereitzustellen. Nimmt man den CT-Bildgebungsprozess als Beispiel, kann das Rekonstruktionsprotokoll den verwendeten Kernel (oder Faltungsalgorithmus) spezifizieren. Der Kernel bezieht sich auf den Prozess, der verwendet wird, um die Frequenzinhalte von Projektionsdaten vor der Rückprojektion während der Bildrekonstruktion in einem CT-Scanner zu modifizieren. Dieser Prozess korrigiert das Bild, indem er Unschärfe reduziert. Der Kernel beeinflusst das Erscheinungsbild von Bildstrukturen, indem er das Bild schärft. Verschiedene Kernel wurden für spezifische anatomische Anwendungen entwickelt, einschließlich Weichgewebe (Standardkernel) und Knochen (Knochenkernel).
  • Die Berücksichtigung von Aufnahmeparametern bei der Ermittlung von Referenzdatensätze ist vorteilhaft, da die Aufnahmeparameter zusätzliche Einblicke in die in dem medizinischen Bilddatensatz gezeigten Organe und Anatomien und liefern. Somit können passende Referenzdatensätze gefunden werden, wodurch Dokumentenvorlagestrukturen für den Befundungsworkflow zielgerichtet identifiziert werden können.
  • Gemäß einem Aspekt weist das Verfahren ferner die Schritte auf:
    • - Erhalten einer Angabe einer medizinischen Auffälligkeit in dem medizinischen Datensatz durch die Recheneinrichtung, und
    • - Bestimmen einer zeitlichen Entwicklung der medizinischen Auffälligkeit durch die Recheneinrichtung basierend auf dem medizinischen Datensatz und/oder weiteren, von dem medizinischen Datensatz verschiedenen medizinischen Informationen des zu befundenden Patienten.
  • Entsprechend ist die Analysefunktion ferner dazu ausgebildet, den Referenzdatensatz zusätzlich basierend auf einer zeitlichen Entwicklung einer medizinischen Auffälligkeit zu ermitteln, wobei im Schritt des Ermittelns der wenigstens eine Referenzdatensatzes zusätzlich durch Anwenden der Analysefunktion auf die zeitliche Entwicklung ermittelt wird.
  • Die medizinische Auffälligkeit kann beispielsweise basierend auf einer Nutzereingabe oder durch Anwenden einer Detektionsfunktion erhalten werden. Die Angabe der medizinischen Auffälligkeit kann beispielsweise eine Manifestation der medizinischen Auffälligkeit in dem medizinischen Datensatz zu einem ersten Zeitpunkt umfassen.
  • Die Bestimmung einer zeitlichen Entwicklung kann beispielsweise umfassen: Bestimmen wenigstens weiterer Manifestationen der erhaltenen Auffälligkeit zu einem weiteren, von dem ersten Zeitpunkt verschiedenen Zeitpunkt in dem medizinischen Datensatz, und Bestimmen der zeitlichen Entwicklung basierend auf der wenigstens einen weiteren Manifestation, insbesondere basierend auf einem Vergleich der Manifestationen der medizinischen Auffälligkeit. Dazu können insbesondere Messwerte aus den Manifestationen gewonnen und verglichen werden.
  • Durch die Berücksichtigung einer zeitlichen Entwicklung können Referenzdatensätze ermittelt werden, die eine ähnliche zeitliche Entwicklung einer medizinischen Auffälligkeit zeigen. Folglich können auch Dokumentenvorlagestrukturen gefunden werden, die für eine Befundung der zeitlichen Entwicklung geeignet sind.
  • Gemäß einem Aspekt basieren die mit den Vergleichsdatensätzen assoziierten Referenz-Befundsberichte jeweils auf wenigstens einem, insbesondere standardisierten, Template-Baustein zur Erstellung eines medizinischen Befundsberichts. Ferner umfasst der Schritt des Identifizierens der Dokumentenvorlagestruktur ein Identifizieren wenigstens eines Template-Bausteins basierend auf dem mit dem wenigstens einen Referenzdatensatz assoziierten, wenigstens einen medizinischen Referenz-Befundsbericht durch die Recheneinrichtung. Ferner umfasst der Schritt des Bereitstellens der Dokumentenvorlagestruktur ein Bereitstellen des wenigstens einen identifizierten Template-Bausteins.
  • Ein Template-Baustein kann ein Baustein oder Modul oder eine Vorlage sein, auf deren Grundlage ein strukturierter medizinischer Befundsbericht erzeugt werden kann (basieren kann). Ein medizinischer Befundsbericht kann basierend auf einem oder mehreren Template-Baustein erzeugt werden. Insbesondere können mehrere unterschiedliche Template-Bausteine kombiniert werden, um einen medizinischen Bericht zu bilden.
  • Jede Template-Baustein kann für einen bestimmten Befundungskontext spezifisch sein. Beispielsweise kann ein bestimmter Template-Baustein Läsionen in der Lunge zugeordnet werden, während ein anderer Template-Baustein Läsionen in der Leber zugeordnet ist.
  • Jeder Template-Baustein kann ein oder mehrere Datenfelder spezifizieren, die zum Vervollständigen des Berichts adressiert oder ausgefüllt werden müssen. Ferner kann ein Template-Baustein ein oder mehrere Pull-Down-Menüs mit Elementen umfassen, die ein Benutzer auswählen kann. Somit kann ein Template-Baustein auch als Eingabeformular oder -maske verstanden werden, die die bereitzustellenden Informationen für einen gegebenen Befundtyp strukturiert.
  • Im Allgemeinen wird der Template-Baustein in dem Referenz-Befundsbericht mit dem Referenz-Befundsbericht zugrunde liegenden Fall mit spezifischen Daten befüllt sein. Gemäß einigen Beispielen kann im Schritt des Bereitstellens der leere Template-Baustein als Dokumentenvorlagestruktur bereitgestellt werden. Dazu können Einträge in dem Template-Baustein automatisch entfernt werden. Alternativ kann ein leerer Template-Baustein entsprechend dem identifizierten Template-Baustein von einem Datenspeicher heruntergeladen werden (welcher Teil der Recheneinrichtung sein kann oder mit dieser in Datenverbindung stehen kann).
  • Damit werden dem Nutzer automatisch geeignete Template-Baustein zur Verfügung gestellt. Im Gegenzug wird der Benutzer davon entlastet, selbst in möglicherweise großen Datenbanken nach den richtigen Templates suchen zu müssen. Der Nutzer erhält automatisch ein verwertbares Ergebnis, das unmittelbar bei der Erzeugung eines strukturierten Befunds verwendet werden kann.
  • Gemäß einem Aspekt umfasst das Verfahren ferner ein Empfangen einer auf ein Editieren der identifizierten Dokumentenvorlagestruktur gerichteten Nutzereingabe des Nutzers über die Nutzerstelle durch die Recheneinrichtung, ein Erstellen eines medizinischen Befundsberichts basierend auf der identifizierten Dokumentenvorlagestruktur und der auf das Editieren gerichteten Nutzereingabe durch die Recheneinrichtung, und ein Bereitstellen des medizinischen Befundsberichts durch die Recheneinrichtung.
  • Dadurch kann ein vollständiger medizinischer Befundsbericht durch eine fortlaufende Mensch-Maschine-Interaktion aufgebaut werden.
  • Gemäß einem Aspekt umfasst das Verfahren ferner ein Editieren und/oder Vorbefüllen der identifizierten Dokumentenvorlagestruktur basierend auf dem medizinischen Datensatz und/oder dem wenigstens einen Referenzdatensatz (und/oder einer auf den medizinischen Datensatz gerichteten Nutzereingabe und/oder einer durch den Detektionsalgorithmus erfassten medizinischen Auffälligkeit), wobei im Schritt des Bereitstellens die vorbefüllte Dokumentenvorlagestruktur dem Nutzer zur weiteren Bearbeitung bereitgestellt wird.
  • Gemäß einem Aspekt umfasst das Verfahren ferner ein Editieren und/oder Befüllen der identifizierten Dokumentenvorlagestruktur basierend auf dem medizinischen Datensatz und/oder dem wenigstens einen Referenzdatensatz (und/oder einer auf den medizinischen Datensatz gerichteten Nutzereingabe und/oder einer durch den Detektionsalgorithmus erfassten medizinischen Auffälligkeit) zum automatisierten Erzeugen eines finalen medizinischen Befundberichts.
  • Dadurch können medizinische Befundsberichte ohne Mitwirkung eines Nutzers automatisch bereitgestellt werden. Hiermit können Nutzer entlastet werden und haben beispielsweise mehr Zeit sich komplexen Fällen zu widmen, in denen keine Referenzdatensätze gefunden werden können.
  • Gemäß einem Aspekt umfasst das Verfahren ferner einen Prüfschritt, ob wenigsten ein Referenzdatensatz mit hinreichender Konfidenz (oder Ähnlichkeitsmaß) gefunden werden kann. Falls ja kann ein finaler medizinscher Befundsbericht basierend auf der Dokumentenvorlagestruktur automatisiert erzeugt werden. Falls nicht, kann die Dokumentenvorlagestruktur zur weiteren Bearbeitung dem Nutzer bereitgestellt werden.
  • Gemäß einem Aspekt ist die wenigstens eine identifizierte Dokumentenvorlagestruktur im Referenz-Befundsbericht mit einem natürliche Sprache enthaltenden Befundungstext befüllt, und das Verfahren umfasst ferner die Schritte:
    • - Bereitstellen eines Sprachanalysealgorithmus, der dazu ausgebildet ist, einen Befundungstext durch Auswerten des Befundungstexts und eines medizinischen Datensatzes auf den medizinischen Datensatz anzupassen,
    • - Anpassen des Befundungstexts auf den medizinischen Datensatz durch Anwenden des Sprachanalysealgorithmus auf den Befundungstext und den medizinischen Datensatz durch die Recheneinrichtung,
    • - Vorbefüllen der identifizierten Dokumentenvorlagestruktur mit dem angepassten Befundungstext durch die Recheneinrichtung, wobei
    • - im Schritt des Bereitstellens die vorbefüllte Dokumentenvorlagestruktur bereitgestellt wird.
  • Der Sprachanalysealgorithmus kann beispielsweise dazu ausgebildet sein, einzelne Elemente im Befundungstext zu erkennen und eine Bedeutung beizumessen. Dazu können verschiedene bekannte Verfahren und Funktionen verwendet werden. Beispielsweise kann dies mittels latenter semantischer Analyse (engl. latent semantic indexing, kurz LSI) erfolgen.
  • Mit anderen Worten kann durch den Einsatz eines Sprachanalysealgorithmus eine automatisierte Auswertung von unstrukturierten Inhalten von Vorbefunden erreicht werden. Dadurch können dem Nutzer weitere bei der Befundung relevante Informationen an die Hand gegeben werden.
  • Gemäß einem Aspekt ist die Analysefunktion dazu ausgebildet, ein Ähnlichkeitsmaß zwischen einem medizinischen Datensatz und einem Vergleichsdatensatz zu berechnen, welches Ähnlichkeitsmaß eine Ähnlichkeit zwischen dem medizinischen Datensatz und dem Vergleichsdatensatz angibt. Ferner umfasst der Schritt des Ermittelns des wenigstens einen Referenzdatensatzes ein Berechnen jeweils eines Ähnlichkeitsmaßes für die Vergleichsdatensätze durch Anwenden der Analysefunktion auf den medizinischen Datensatz und die Vergleichsdatensätze, und die Referenzdatensätze werden aus den Vergleichsdatensätzen basierend auf dem bestimmten Ähnlichkeitsmaßen ermittelt.
  • Für die berücksichtigten Vergleichsdatensätze kann jeweils ein Ähnlichkeitsmaß bestimmt werden, das auf einer Ähnlichkeit zwischen dem medizinischen Datensatz und dem jeweiligen Vergleichsdatensatz basiert und insbesondere eine Ähnlichkeit angibt bzw. quantifiziert. Ein Ähnlichkeitsmaß kann beispielsweise ein Zahlenwert oder „Score“ sein. Die Ähnlichkeitsmaße können beispielsweise basierend auf der Anwendung einer Ähnlichkeitsmetrik bestimmt werden, die basierend auf den Eingangsgrößen, also dem medizinischen Datensatz und einem Vergleichsdatensatz, ein Ähnlichkeitsmaß ausgibt. Die Ähnlichkeitsmetrik kann dabei insbesondere in der Analysefunktion implementiert sein. Referenzdatensätze sind insbesondere solche Vergleichsdatensätze, die eine gewisse Ähnlichkeit mit dem medizinischen Datensatz aufweisen. Mit anderen Worten können Referenzdatensätze insbesondere solche Vergleichsdatensätze sein, deren Ähnlichkeitsmaß über einer vorbestimmten bzw. vorgegeben oder vorgebbaren Schwelle liegt.
  • Durch die Berechnung von Ähnlichkeitsmaßen wird ein objektives und reproduzierbares Kriterium bereitgestellt, anhand dessen Referenzdatensätze aufgefunden werden können.
  • Gemäß einem Aspekt ist die Analysefunktion dazu ausgebildet, einen Datendeskriptor aus einem medizinischen Datensatz und/oder einen korrespondierenden Datendeskriptor aus einem Vergleichsdatensatz zu extrahieren, welche Datendeskriptoren für eine Ermittlung von Referenzdatensätzen relevante Eigenschaften des zugrundeliegenden medizinischen Datensatzes und/oder eines Vergleichsdatensatzes angeben. Ferner ist die Analysefunktion dazu ausgebildet, ein Ähnlichkeitsmaß zwischen einem medizinischen Datensatz und einem Vergleichsdatensatz basierend auf deren Datendeskriptoren insbesondere durch Eingeben von deren Datendeskriptoren in eine Ähnlichkeitsmetrik zu berechnen. Ferner umfasst das Berechnen eines Ähnlichkeitsmaßes für einen Vergleichsdatensatz die Schritte:
    • - Erhalten eines Datendeskriptors aus dem medizinischen Datensatz insbesondere durch Anwenden der Analysefunktion auf den medizinischen Datensatz,
    • - Erhalten eines korrespondierenden Datendeskriptors für den einen Vergleichsdatensatz insbesondere durch Anwenden der Analysefunktion auf den einen Vergleichsdatensatz, und
    • - Berechnen des Ähnlichkeitsmaßes für einen Vergleichsdatensatz basierend auf dem Datendeskriptor und dem jeweiligen korrespondierenden Datendeskriptor durch Anwenden der Analysefunktion auf den Datendeskriptor und den jeweiligen korrespondierenden Datendeskriptor.
  • Ein Datendeskriptor kann ein oder mehrere Merkmale aufweisen, die dem medizinischen Datensatz, und insbesondere den Bilddaten des medizinischen Datensatzes, extrahiert bzw. aus diesen berechnet wurden. Daneben kann der Datendeskriptor basierend auf (oder unter zusätzlicher Berücksichtigung von) weiteren Informationen bzw. Nicht-Bilddaten, wie z.B. Metadaten zu den Bilddaten, Patientendaten, weiteren Messwerten, medizinischen Befundsberichten usw. beruhen. Eine andere Bezeichnung für Datendeskriptor kann der Ausdruck „Merkmalssignatur“ sein. Der Datendeskriptor kann insbesondere den medizinischen Datensatz charakterisieren. Die Merkmale des Datendeskriptors können zu einem Merkmalsvektor zusammengefasst sein. Insbesondere kann der Datendeskriptor einen solchen Merkmalsvektor aufweisen. Aus Bilddaten extrahierte Merkmale können morphologische und/oder strukturelle und/oder eine Textur betreffende und/oder ein Muster betreffende Merkmale sein. Aus Nicht-Bilddaten extrahierte können eine Diagnose, einen Messwert, eine demografische Information usw. betreffende Merkmale sein. Die Analysefunktion kann insbesondere dazu ausgebildet sein, Ähnlichkeitsmaße basierend auf dem Datendeskriptor zu ermitteln. Die Analysefunktion kann verschiedene Module zur Extrahierung von Datendeskriptoren aufweisen, beispielsweise Bildanalysemodule zur Verarbeitung medizinischer Bilddaten oder Sprachanalysemodule zur Verarbeitung medizinischer Befundsberichte.
  • Das Ermitteln der Ähnlichkeitsmaße kann ein Extrahieren oder Empfangen eines korrespondierenden Datendeskriptors jeweils aus den möglichen Vergleichsdatensätzen umfassen. Dabei kann wie bei dem basierend auf dem medizinischen Datensatz extrahierten Datendeskriptor vorgegangen werden. Ferner kann das Ermitteln der Ähnlichkeitsmaße ein Vergleichen der korrespondierenden Datendeskriptoren jeweils mit dem Datendeskriptor umfassen.
  • Der Schritt des Vergleichens kann insbesondere auf der Auswertung einer Ähnlichkeitsmetrik für zwei Datendeskriptoren beruhen. Eine Ähnlichkeitsmetrik kann dazu ausgebildet sein, einen Abstand der jeweiligen Datendeskriptoren im Koordinatensystem der Datendeskriptoren zu quantifizieren. Ähnlichkeitsmetriken können vorgegeben sein. Beispielsweise kann eine Ähnlichkeitsmetrik auf einer Berechnung einer Kosinus-Ähnlichkeit der Datendeskriptoren und/oder der Berechnung einer gewichteten Summe des Unterschieds bzw. der Ähnlichkeit einzelner Merkmale des Datendeskriptoren basieren. Als Referenzdatensätze können insbesondere diejenigen Vergleichsdatensätze identifiziert werden, deren zugehöriges Ähnlichkeitsmaß größer als eine vorgegebene oder vorgebbare Schwelle ist.
  • Durch die Verwendung von Datendeskriptoren werden einfach zu implementierende und gut übertragbare Parameter für einen Abgleich verschiedener Datensätze definiert. Zudem können die in den Merkmalssignaturen enthaltenen Merkmale auf übergeordneten, aus den Datensätzen abgeleiteten Observablen beruhen, welche die Eigenschaften der Datensätze oftmals besser charakterisieren als die zugrundeliegenden Daten selbst.
  • Gemäß einem Aspekt umfasst die Analysefunktion eine trainierte Funktion.
  • Eine trainierte Funktion bildet allgemein Eingabedaten auf Ausgabedaten ab. Hierbei können die Ausgabedaten insbesondere von einem oder mehreren Parametern der trainierten Funktion abhängen. Andere Begriffe für trainierte Funktion sind trainierte Abbildungsvorschrift, Abbildungsvorschrift mit trainierten Parametern, Funktion mit trainierten Parametern, Algorithmus basierend auf künstlicher Intelligenz, Algorithmus des maschinellen Lernens.
  • Ein Beispiel für eine trainierte Funktion ist ein künstliches neuronales Netzwerk. Anstatt des Begriffs „neuronales Netzwerk“ kann auch der Begriff „neuronales Netz“ verwendet werden. Ein neuronales Netzwerk ist im Grunde genommen wie ein biologisches neuronales Netz - etwa ein menschliches Gehirn - aufgebaut. Insbesondere umfasst ein künstliches neuronales Netzwerk eine Eingabeschicht und eine Ausgabeschicht. Es kann ferner mehrere Schichten zwischen Eingabe- und Ausgabeschicht umfassen. Jede Schicht umfasst mindestens einen, vorzugsweise mehrere, Knoten. Jeder Knoten kann als biologische Verarbeitungseinheit verstanden werden, z.B. als Neuron. Mit anderen Worten entspricht jedes Neuron einer Operation, die auf Eingabedaten angewendet wird. Knoten einer Schicht können durch Kanten oder Verbindungen mit Knoten anderer Schichten verbunden sein, insbesondere durch gerichtete Kanten oder Verbindungen. Diese Kanten oder Verbindungen definieren den Datenfluss zwischen den Knoten des Netzwerks. Die Kanten oder Verbindungen sind mit einem Parameter assoziiert, der häufig als „Gewicht“ oder „Kantengewicht“ bezeichnet wird. Dieser Parameter kann die Wichtigkeit der Ausgabe eines ersten Knotens für die Eingabe eines zweiten Knotens regulieren, wobei der erste Knoten und der zweite Knoten durch eine Kante verbunden sind. Insbesondere kann eine trainierte Funktion auch ein tiefes künstliches neuronales Netzwerk aufweisen (englischer Fachbegriff sind „deep neural network“ oder „deep artificial neural network“).
  • Gemäß einem Aspekt weist die trainierte Funktion ein faltendes neuronales Netzwerk und insbesondere ein bereichsbasiertes faltendes neuronales Netzwerk auf.
  • Ein englischer Fachbegriff für faltendes neuronales Netzwerk ist convolutional neural network. Insbesondere kann das faltende neuronale Netzwerk als tiefes faltendes neuronales Netzwerk ausgebildet sein (ein englischer Fachbegriff ist „deep convolutional neural network“). Das neuronale Netzwerk weist dabei ein oder mehrere Faltungsschichten (ein englischer Fachbegriff ist „convolutional layer“) und ein oder mehrere Entfaltungsschichten (ein englischer Fachbegriff ist „deconvolutional layer“) auf. Insbesondere kann das neuronale Netzwerk eine Sammelschicht umfassen (ein englischer Fachbegriff ist „pooling layer“). Durch die Verwendung von Faltungsschichten und/oder Entfaltungsschichten kann ein neuronales Netzwerk besonders effizient zur Bildverarbeitung eingesetzt werden, da trotz vieler Verbindungen zwischen Knotenschichten nur wenige Kantengewichte (nämlich die den Werten des Faltungskerns entsprechenden Kantengewichte) bestimmt werden müssen. Bei einer gleichen Zahl von Trainingsdaten kann damit auch die Genauigkeit des neuronalen Netzwerks verbessert werden.
  • Eine trainierte Funktion lernt durch Anpassen von Parametern, welche die Abbildung von Eingangs- auf Ausgangsdaten bestimmen. Bei neuronalen Netzwerken sind dies z.B. die Gewichte oder Gewichtungsparameter (z.B. der Kantengewichte) einzelner Schichten und Knoten. Eine trainierte Funktion kann beispielsweise durch Verfahren des überwachten Lernens trainiert werden (ein englischer Fachbegriff hierfür ist „supervised learning“). Hier kann beispielsweise das Verfahren der Rückpropagation verwendet werden (ein englischer Fachbegriff hierfür ist „back propagation“). Während des Trainings wird die trainierte Funktion auf Trainingseingangsdaten angewendet, um entsprechende Ausgabewerte zu erzeugen, deren Zielwerte in Form von Trainingsausgangsdaten bekannt sind. Die Differenz zwischen den Ausgabewerten und den Trainingsausgangsdaten kann verwendet werden, um eine Kosten- oder Verlustfunktional als Maß dafür einzuführen, wie gut oder schlecht die trainierte Funktion die ihr gestellte Aufgabe erfüllt. Ziel des Trainings ist es, ein (lokales) Minimum des Kostenfunktionals zu finden, indem die Parameter (z.B. die Kantengewichte) der trainierten Funktion iterativ angepasst werden. Die trainierte Funktion wird dadurch schließlich in die Lage versetzt, akzeptable Ergebnisse über eine (ausreichend) große Kohorte von Trainingseingangsdaten zu liefern. Dieses Optimierungsproblem kann unter Verwendung eines stochastischen Gradientenverfahrens (ein englischer Fachbegriff hierfür ist „stochastic gradient descent“) oder anderer auf dem Fachgebiet bekannte Ansätze durchgeführt werden.
  • Gemäß Ausführungsformen würden Trainingsdatensätze jeweils medizinische Trainings-Datensätze und Trainings-Vergleichsdatensätze sowie, je nach Konfiguration der trainierten Funktion, zugehörige verifizierte Referenzdatensätze und/oder verifizierte (insbesondere relative) Ähnlichkeitsma-ße aufweisen. Die verifizierten Referenzdatensätze könnten dabei auf einer Annotation eines Nutzers beruhen, die dieser basierend auf einer Analyse bzw. Befundung des medizinischen Trainings-Datensatzes vorgenommen hat. Gleiches gilt für die verifizierten Ähnlichkeitsmaße.
  • Ein Training der trainierten Funktion könnte, gemäß einigen Ausführungsformen, dann somit ein Anwenden der trainierten Funktion auf die medizinischen Trainings-Datensätze bzw. Trainings-Vergleichsdatensätze zur Erzeugung von Ausgabewerten sowie ein Vergleichen der Ausgabewerte mit verifizierte Referenzdatensätzen und/oder verifizierten Ähnlichkeitsmaßen umfassen. Basierend auf dem Vergleich können dann ein oder mehrere Parameter der trainierten Funktion angepasst werden.
  • Gemäß einem Aspekt weist die trainierte Funktion auf:
    • - einen Encoder-Abschnitt, der dazu ausgebildet ist, einen Datendeskriptor aus einem medizinischen Datensatz und/oder einen korrespondierenden Datendeskriptor aus einem Vergleichsdatensatz zu extrahieren,
    • - einen Klassifikator-Abschnitt, der dazu ausgebildet ist, ein Ähnlichkeitsmaß zwischen einem medizinischen Datensatz und einem Vergleichsdatensatz basierend auf einem Datendeskriptor des medizinischen Datensatzes und einem korrespondieren Datendeskriptor des Vergleichsdatensatzes zu berechnen.
  • Gemäß einem Aspekt umfasst der Encoder Abschnitt ein, insbesondere faltendes, neuronales Netzwerk. Gemäß einem Aspekt umfasst der Klassifikator-Abschnitt eine Stützvektor-Maschine, einen k-nächste-Nachbarn-Algorithmus, einen Entscheidungsbaum-Algorithmus, und/oder einen Naive-Bayes-Algorithmus.
  • Gemäß einem Aspekt ist die trainierte Funktion ferner dazu ausgebildet, ein Ähnlichkeitsmaß durch Anwenden einer maschinell gelernten Ähnlichkeitsmetrik auf Datendeskriptoren zu berechnen, wobei das Berechnen des Ähnlichkeitsmaßes ein Anwenden der maschinell gelernten Ähnlichkeitsmetrik auf den Datendeskriptor und den jeweiligen korrespondierenden Datendeskriptor umfasst.
  • Gemäß einem Aspekt ist die maschinell gelernten Ähnlichkeitsmetrik in dem Klassifikator-Abschnitt implementiert.
  • Gemäß einem Aspekt werden im Schritt des Identifizierens wenigstens einer Dokumentenvorlagestruktur mehrere Dokumentenvorlagestrukturen zur Auswahl durch den Nutzer identifiziert, wobei im Schritt des Bereitstellens die mehreren identifizierten Dokumentenvorlagestrukturen dem Nutzer über die Nutzerschnittstelle bereitgestellt werden. Ferner umfasst das Verfahren ein Empfangen einer auf die Auswahl wenigstens einer Dokumentenvorlagestruktur gerichteten Nutzereingabe des Nutzers über die Nutzerschnittstelle, wobei im Schritt des Bereitstellens die wenigstens eine durch die auf die Auswahl der wenigstens einen Dokumentenvorlagestruktur gerichtete Nutzereingabe ausgewählte Dokumentenvorlagestruktur zur weiteren Bearbeitung durch den Nutzer bereitgestellt wird.
  • Durch die Nutzerauswahl können geeignete Dokumentenvorlagestrukturen durch eine Mensch-Maschine-Interaktion bereitgestellt werden. Der Nutzer kann somit flexibel auf die Verarbeitung Einfluss nehmen, um das Ergebnis zu verbessern.
  • Gemäß einem Aspekt umfasst das Verfahren ein Empfangen einer auf eine Auswahl der identifizierten wenigstens eine Dokumentenvorlagestruktur zur weiteren Bearbeitung gerichteten Nutzereingabe des Nutzers über die Nutzerschnittstelle. Insbesondere kann die Nutzereingabe auf ein Bestätigen oder Verwerfen der identifizierten wenigstens eine Dokumentenvorlagestruktur gerichtet sein.
  • Gemäß einem Aspekt umfasst das Verfahren ferner ein Anpassen der Analysefunktion basierend auf der auf die Auswahl wenigstens einer Dokumentenvorlagestruktur gerichtete Nutzereingabe.
  • Mit anderen Worten kann dadurch die Analysefunktion basierend auf der Nutzerwechselwirkung weiter verbessert werden. Insbesondere kann eine in der Analysefunktion enthaltene trainierte Funktion weiter trainiert werden, um so eine bessere Ermittlung von Referenzdatensätze und damit eine zielgerichtete Bereitstellung von Dokumentenvorlagestrukturen zu ermöglichen.
  • Gemäß einem Aspekt wird ein System zur Bereitstellung einer Dokumentenvorlagestruktur für eine Erstellung eines medizinischen Befundsberichts bei der Befundung eines zu befundenden Patienten bereitgestellt. Das System weist eine Recheneinrichtung und eine Schnittstelle auf. Die Schnittstelle ist zum Empfangen eines medizinischen Datensatzes des zu befundenden Patienten und mehrerer von dem medizinischen Datensatz verschiedener Vergleichsdatensätze ausgebildet, wobei jeder Vergleichsdatensatz wenigstens einen medizinischen Referenz-Befundsbericht aufweist. Die Recheneinrichtung ist dazu ausgebildet eine Analysefunktion zu hosten, die dazu ausgebildet ist, zu einem medizinischen Datensatz wenigstens einen Referenzdatensatz aus mehreren Vergleichsdatensätzen zu ermitteln, wenigstens einen Referenzdatensatze aus den mehreren Vergleichsdatensätzen durch Anwenden der Analysefunktion auf den medizinischen Datensatz und die Vergleichsdatensätze zu ermitteln, wenigstens eine Dokumentenvorlagestruktur für den zu befundenden Patienten basierend auf dem mit dem wenigstens einen Referenzdatensatz assoziierten wenigstens einen medizinischen Referenz-Befundsbericht zu identifizieren, und die identifizierte wenigstens eine Dokumentenvorlagestruktur über die Schnittstelle bereitzustellen.
  • Die Schnittstelle kann allgemein zum Datenaustausch zwischen der Recheneinrichtung und weiteren Komponenten ausgebildet sein. Die Schnittstelle kann in Form von einer oder mehreren einzelnen Datenschnittstellen implementiert sein, welche ein Hardware- und/oder Software-Interface, z.B. einen PCI-Bus, eine USB-Schnittstelle, eine Fire-Wire-Schnittstelle, eine ZigBee- oder eine Bluetooth-Schnittstelle aufweisen können. Die Schnittstelle kann ferner eine Schnittstelle eines Kommunikationsnetzwerks aufweisen, wobei das Kommunikationsnetzwerk ein Local Area Network (LAN), beispielsweise ein Intranet oder ein Wide Area Network (WAN) oder ein Internet aufweisen kann. Entsprechend können die ein oder mehreren Datenschnittstellen eine LAN-Schnittstelle oder eine Wireless LAN-Schnittstelle (WLAN oder Wi-Fi) aufweisen.
  • Gemäß einem Aspekt wird ferner ein System zum Bereitstellen eines medizinischen Berichts bereitgestellt, welches System die o.g. Vorrichtung sowie wenigstens eine Nutzerschnittstelle aufweist, die dazu ausgebildet ist, die bereitgestellte Dokumentenvorlagestrukturen über die Schnittstelle zu empfangen und einem Nutzer anzuzeigen.
  • Ferner kann das System einen mit der Schnittstelle in Verbindung stehenden Datenspeicher aufweisen, in dem die Vergleichsdatensätze und/oder die Analysefunktion und/oder der medizinische Datensatz gespeichert und über die Schnittstelle abrufbar und somit bereitstellbar sind. Der Datenspeicher kann dabei als zentrale oder dezentrale Speichereinheit oder Cloud-Speicher ausgebildet sein.
  • Ferner kann das System ein oder mehrere bildgebende Modalitäten, wie etwa ein Computertomografiesystem, ein Magnetresonanzsystem, ein Angiografiesystem, ein Röntgensystem, ein Positronen-Emissions-Tomografie-System, ein Mammografiesystem, und/oder ein System zur Erzeugung von Histopathologiebilddaten umfassen.
  • Die Vorteile der vorgeschlagenen Systeme entsprechen im Wesentlichen den Vorteilen der vorgeschlagenen Verfahren. Merkmale, Vorteile oder alternative Ausführungsformen/Aspekte der Verfahren können ebenso auf die anderen beanspruchten Gegenstände übertragen werden und umgekehrt.
  • Die Erfindung betrifft in einem weiteren Aspekt ein Computerprogrammprodukt, das ein Programm umfasst und direkt in einen Speicher einer programmierbaren Steuerung ladbar ist und Programmmittel, z.B. Bibliotheken und Hilfsfunktionen, aufweist, um ein Verfahren zur Bereitstellung eines medizinischen Berichts insbesondere gemäß den vorgenannten Ausführungsformen/Aspekten auszuführen, wenn das Computerprogrammprodukt ausgeführt wird.
  • Ferner betrifft die Erfindung in einem weiteren Aspekt ein computerlesbares Speichermedium, auf welchem lesbare und ausführbare Programmabschnitte gespeichert sind, um alle Schritte eines Verfahrens zur Bereitstellung eines medizinischen Berichts gemäß den vorgenannten Ausführungsformen/Aspekten auszuführen, wenn die Programmabschnitte von dem der Steuerung ausgeführt werden.
  • Die Computerprogrammprodukte können dabei eine Software mit einem Quellcode, der noch kompiliert und gebunden oder der nur interpretiert werden muss, oder einen ausführbaren Softwarecode umfassen, der zur Ausführung nur noch in die Verarbeitungseinheit zu laden ist. Durch die Computerprogrammprodukte können die Verfahren schnell, identisch wiederholbar und robust ausgeführt werden. Die Computerprogrammprodukte sind so konfiguriert, dass sie mittels der Recheneinheit die erfindungsgemäßen Verfahrensschritte ausführen können. Die Recheneinheit muss dabei jeweils die Voraussetzungen wie beispielsweise einen entsprechenden Arbeitsspeicher, einen entsprechenden Prozessor, eine entsprechende Grafikkarte oder eine entsprechende Logikeinheit aufweisen, sodass die jeweiligen Verfahrensschritte effizient ausgeführt werden können.
  • Die Computerprogrammprodukte sind beispielsweise auf einem computerlesbaren Speichermedium gespeichert oder auf einem Netzwerk oder Server hinterlegt, von wo sie in den Prozessor der jeweiligen Recheneinheit geladen werden können, der mit der Recheneinheit direkt verbunden oder als Teil der Recheneinheit ausgebildet sein kann. Weiterhin können Steuerinformationen der Computerprogrammprodukte auf einem computerlesbaren Speichermedium gespeichert sein. Die Steuerinformationen des computerlesbaren Speichermediums können derart ausgebildet sein, dass sie bei Verwendung des Datenträgers in einer Recheneinheit ein erfindungsgemäßes Verfahren durchführen. Beispiele für computerlesbaren Speichermedium sind eine DVD, ein Magnetband oder ein USB-Stick, auf welchem elektronisch lesbare Steuerinformationen, insbesondere Software, gespeichert ist. Wenn diese Steuerinformationen von dem Datenträger gelesen und in eine Recheneinheit gespeichert werden, können alle erfindungsgemäßen Ausführungsformen/Aspekte der vorab beschriebenen Verfahren durchgeführt werden. So kann die Erfindung auch von dem besagten computerlesbaren Medium und/oder dem besagten computerlesbaren Speichermedium ausgehen. Die Vorteile der vorgeschlagenen Computerprogrammprodukte bzw. der zugehörigen computerlesbaren Medien entsprechen im Wesentlichen den Vorteilen der vorgeschlagenen Verfahren.
  • Weitere Besonderheiten und Vorteile der Erfindung werden aus den nachfolgenden Erläuterungen von Ausführungsbeispielen anhand von schematischen Zeichnungen ersichtlich. In diesem Zusammenhang genannte Modifikationen können jeweils miteinander kombiniert werden, um neue Ausführungsformen auszubilden. In unterschiedlichen Figuren werden für gleiche Merkmale die gleichen Bezugszeichen verwendet.
  • Es zeigen:
    • 1 eine schematische Darstellung einer Ausführungsform eines Systems zur Bereitstellung einer Dokumentenvorlagestruktur zur Erstellung eines medizinischen Befundsberichts,
    • 2 ein Ablaufdiagramm eines Verfahrens zur Bereitstellung einer Dokumentenvorlagestruktur zur Erstellung eines medizinischen Befundsberichts gemäß einer Ausführungsform,
    • 3 ein Datenflussdiagramm eines Verfahrens zur Bereitstellung einer Dokumentenvorlagestruktur zur Erstellung eines medizinischen Befundsberichts gemäß einer Ausführungsform,
    • 4 ein Diagramm optionaler Verfahrensschritte in einem Verfahren zur Bereitstellung einer Dokumentenvorlagestruktur zur Erstellung eines medizinischen Befundsberichts gemäß einer Ausführungsform,
    • 5 ein Diagramm optionaler Verfahrensschritte in einem Verfahren zur Bereitstellung einer Dokumentenvorlagestruktur zur Erstellung eines medizinischen Befundsberichts gemäß einer Ausführungsform,
    • 6 ein Diagramm optionaler Verfahrensschritte in einem Verfahren zur Bereitstellung einer Dokumentenvorlagestruktur zur Erstellung eines medizinischen Befundsberichts gemäß einer Ausführungsform,
    • 7 ein Ablaufdiagramm eines Verfahrens zur Bereitstellung einer trainierten Funktion zur Identifizierung eines Referenzdatensatzes, und
    • 8 eine schematische Darstellung einer Ausführungsform eines Systems zum Bereitstellen der trainierten Funktion.
  • In 1 ist ein System 1 zur Bereitstellung einer Dokumentenvorlagestruktur DVS bzw. zur Bereitstellung eines medizinischen Befundsberichts MBB gemäß einer Ausführungsform dargestellt. Das System 1 weist wenigstens eine Front-End-Recheneinrichtung 10 mit einer Nutzerschnittstelle (oder auch nur „Nutzerschnittstelle 10“), eine Speichereinrichtung RD und eine Back-End-Recheneinrichtung 20 (oder auch nur „Recheneinrichtung 20“) auf, die miteinander über ein medizinisches Netzwerk bzw. eine Datenschnittstelle 26 in Kommunikationsverbindung stehen.
  • Der medizinische Datensatz PDS und weitere Informationen können der Front-End-Recheneinrichtung 10 über geeignete Schnittstellen 26 von der Speichereinrichtung RD bzw. dem medizinischen Informationssystem 40 bereitgestellt werden. Typischerweise weist ein wie in 1 gezeigtes System eine Mehrzahl an Front-End-Recheneinrichtungen 10 auf, die alle auf das gleichen medizinische Informationssystem 40 zugreifen bzw. mit der Back-End-Recheneinrichtung 20 in Datenaustausch stehen. In der gezeigten Ausführungsform sind die Speichereinrichtung RD, die Back-End-Recheneinrichtung 20, das medizinische Informationssystem 40 und die Front-End-Recheneinrichtung(en) 10 Teil der gleichen medizinischen Organisation. Eine medizinische Organisation kann beispielsweise eine Praxis, ein Praxisverbund, ein Krankenhaus oder ein Krankenhausverbund sein. Entsprechend kann das diese Komponenten über die Schnittstelle 26 verbindende Netzwerk als internes Netzwerk der Organisation ausgebildet sein und z.B. ein Intranet umfassen (etwa ein Local Area Networks und/oder ein Wireless Local Area Network).
  • Die Front-End-Recheneinrichtung 10 kann beispielsweise als Befundungsstation oder Befundungsarbeitsplatz ausgebildet sein, an welchem ein Nutzer Patientendaten bzw. einen medizinischen Datensatz PDS sichten und analysieren sowie medizinische Befundsberichte MBB erstellen, prüfen, verändern und begutachten kann. Dazu kann die Front-End-Recheneinrichtung 10 eine Nutzerschnittstelle aufweisen etwa umfassend ein Display und/oder eine Eingabeeinrichtung. Die Front-End-Recheneinrichtung 10 kann einen Prozessor aufweisen. Der Prozessor kann eine Central Processing Unit (CPU), eine Graphics Processing Unit (GPU), einen digitalen Signalprozessor (DSP), einen Bildverarbeitungsprozessor, einen integrierten (digitalen oder analogen) Schaltkreis oder Kombinationen der vorgenannten Komponenten und weitere Einrichtungen zum Bereitstellen eines medizinischen Befundberichts MBB gemäß Ausführungsformen aufweisen. Die Front-End-Recheneinrichtung 10 kann beispielsweise einen Desktop-PC, Laptop oder ein Tablet umfassen.
  • Das medizinische Informationssystem 40 kann allgemein zum Erfassen und/oder Speichern und/oder Weiterleiten medizinischer Datensätze PDS ausgebildet. Beispielsweise kann das medizinische Informationssystem 40 eine oder mehrere (nicht gezeigte) Datenbanken aufweisen. Insbesondere können die Datenbanken in Form von einem oder mehreren Cloud-Speichermodulen realisiert werden. Alternativ können die Datenbanken als lokaler oder verteilter Speicher realisiert werden, z.B. als ein PACS (Picture Archiving and Communication System), ein Krankenhausinformationssystems (KIS) ein Labor-Informationssystems (LIS), ein „electronic medical record“-(EMR)-Informationssystems und/oder weiterer medizinischer Informationssysteme. Gemäß einigen Beispielen kann das medizinische Informationssystem 40 auch eine oder mehrere (nicht gezeigte) medizinische Bildgebungsmodalitäten umfassen, wie z. B. ein Computertomographiesystem, ein Magnetresonanzsystem, ein Angiographiesystem, C-Arm-Röntgensystem, ein Positron- Emissionstomographiesystem, ein Mammographiesystem, ein Röntgensystem oder dergleichen.
  • Die Speichereinrichtung RD kann als zentrale oder dezentrale Datenbank ausgebildet sein. Die Speichereinrichtung RD kann insbesondere Teil eines Serversystems sein. Die Speichereinrichtung RD kann insbesondere Teil des medizinischen Informationssystems 40 sein. Die Speichereinrichtung RD ist dazu ausgebildet, eine Anzahl von Vergleichsdatensätzen VDS zu speichern. Die Speichereinrichtung RD kann auch als Datenquelle oder Datenbank bezeichnet werden. Zusätzlich können in der Speichereinrichtung 26 mehrere vorbestimmte Dokumentenvorlagestrukturen DVS gespeichert sein.
  • Die Speichereinrichtung RD kann dazu ausgebildet sein, Vergleichsdatensätze VDS und/oder Dokumentenvorlagestrukturen DVS zentral für das System 1 und insbesondere für verschiedenen Front-End-Recheneinrichtungen 10 bereitzustellen.
  • Eine Dokumentenvorlagestrukturen DVS kann in Ausführungsformen als Baustein für einen medizinischen Befundsbericht MBB angesehen werden. Dokumentenvorlagestrukturen DVS können zur Bearbeitung durch den Nutzer über die Front-End-Recheneinrichtung 10 ausgebildet sein. Ferner können Dokumentenvorlagestrukturen DVS dazu ausgebildet sein, in einem medizinischen Befundsbericht MBB enthalten zu sein. Dokumentenvorlagestrukturen DVS können ein oder mehrere Datenfelder DF umfassen, in die patientenspezifische Informationen und/oder der zugrunde liegende medizinische Befund eingetragen werden können. Die Datenfelder DF können Leerfelder oder Platzhalter für verschiedene Arten von Daten wie Text, Messwerte oder Bilder sein. Gemäß einigen Beispielen umfassen Dokumentenvorlagestrukturen DVS ein oder mehrere Pulldown-Menüs mit Einträgen, aus denen ein Nutzer auswählen kann.
  • Eine Dokumentenvorlagestrukturen DVS kann für einen bestimmten Befundungskontext spezifisch sein. Mit anderen Worten können Dokumentenvorlagestrukturen DVS für unterschiedliche Befundungskontexte unterschiedlich sein. Sie können sich beispielsweise in Anzahl und Art der Datenfelder DF unterscheiden.
  • Der medizinische Datensatz PDS kann medizinische Bilddaten und/oder andere, keine Bildinformation umfassende, medizinische Daten aufweisen. Bilddaten können sich in diesem Zusammenhang auf medizinische Bilddaten mit zwei oder drei räumlichen Dimensionen beziehen. Ferner können die Bilddaten zusätzlich eine zeitliche Dimension aufweisen. Die Bilddaten können beispielsweise mit einer bildgebenden medizinischen Modalität erzeugt worden sein, wie etwa einem Röntgen-, Computertomografie-, Magnetresonanz-, Positronen-Emissions-Tomografie- oder Angiografie-Gerät oder weiteren Geräten. Solche Bilddaten können auch als Radiologie-Bilddaten bezeichnet werden.
  • Ferner kann der medizinische Datensatz PDS auch Histopathologiebilddaten umfassen, die jeweils ein oder mehrere Histopathologiebilder zeigen. Histopathologiebilddaten sind Bilddaten, die auf einer Gewebeprobe eines Patienten beruhen. Aus der Gewebeprobe werden Gewebeschnitte präpariert, die mit einer histologischen Färbung angefärbt werden. Die so präparierten Gewebeschnitte werden dann digitalisiert, um die Histopathologiebilddaten zu erhalten. Hierfür können spezialisierte Scanner, sog. Slide Scanner, verwendet werden. Das dabei aufgenommene Bild wird auch als „Whole Slide Image“ bezeichnet. Die dabei aufgenommen Bilddaten sind typischerweise zweidimensionale Pixeldaten.
  • Die in dem medizinische Datensatz PDS enthaltenen Bilddaten können beispielsweise entsprechend dem DICOM-Format formatiert sein. DICOM (=Digital Imaging and Communications in Medicine) ist ein offener Standard für die Kommunikation und Administration von medizinischen Bilddaten und zugehörigen Daten.
  • Neben Bilddaten kann der medizinische Datensatz PDS auch Nicht-Bilddaten umfassen. Nicht-Bilddaten können z.B. Untersuchungsergebnisse sein, die nicht auf medizinscher Bildgebung beruhen. Dies kann Labordaten, Vitaldaten, Spirometriedaten oder die Protokolle neurologischer Untersuchungen umfassen. Daneben können Nicht-Bilddaten Textdatensätze, wie etwa strukturierte und unstrukturierte medizinische Befundsberichte (ein englischer Begriff hierfür lautet „medical reports“), umfassen. Nicht-Bilddaten können ferner auch patientenbezogene Daten sein. Dies kann z.B. demografische Angaben zum Patienten, etwa betreffend sein Alter, das Geschlecht oder das Körpergewicht, umfassen. Die Nicht-Bilddaten können in die Bilddaten z.B. als Metadaten eingebunden sein. Alternativ oder ergänzend können die Nicht-Bilddaten auch in einer elektronischen Krankenakte (ein englischer Ausdruck hierfür ist „Electronic Medical Record“ oder kurz EMR) des Patienten, d.h. separat von den Bilddaten, hinterlegt sein. Solche elektronische Krankenakten können beispielsweise in dem medizinischen Informationssystem 40 archiviert sein.
  • Die Vergleichsdatensätze VDS stellen Datensätze dar, die bereits befundet wurden. Mit anderen Worten weisen diese Vergleichsdatensätze VDS jeweils wenigstens einen (abgeschlossenen) medizinischen Befundsbericht, den sog. Referenz-Befundbericht R-MBB, auf.
  • Gemäß Ausführungsformen der Erfindung kann ein Vergleichsdatensatz VDS auch jeweils nur einen Referenz-Befundsbericht R-MBB auf. Mit anderen Worten können die Vergleichsdatensätze jeweils Referenz-Befundsberichte sein bzw. jeweils aus einem Referenz-Befundsbericht R-MBB bestehen.
  • Gemäß anderen Ausführungsbeispielen können Vergleichsdatensätze VDS auch die gleiche Struktur wie die medizinischen Datensätze PDS aufweisen, also neben dem Referenz-Befundsbericht insbesondere auch medizinische Bilddaten und Nicht-Bilddaten umfassen.
  • Die Back-End-Recheneinrichtung 20 kann einen Prozessor aufweisen. Der Prozessor kann eine Central Processing Unit (CPU), eine Graphics Processing Unit (GPU), einen digitalen Signalprozessor (DSP), einen Bildverarbeitungsprozessor, einen integrierten (digitalen oder analogen) Schaltkreis oder Kombinationen der vorgenannten Komponenten und weitere Einrichtungen zum Bereitstellen einer Dokumentenvorlagestruktur DVS gemäß Ausführungsformen aufweisen. Die Back-End-Recheneinrichtung 20 kann als einzelne Komponente implementiert sein oder eine Gruppe von Rechnern aufweisen, wie etwa ein Cluster. Ein solches System kann Server-System genannt werden. Je nach Ausführungsform kann die Back-End-Recheneinrichtung 20 als lokaler Server. Ferner kann die Back-End-Recheneinrichtung 20 einen Arbeitsspeicher, wie einen R_AM, aufweisen, um beispielsweise die Patientendaten PD, Datenfilter DF, Einzelinformationen EI, oder Berichtstemplates BT temporär zu speichern. Die Back-End-Recheneinrichtung 20 ist z.B. durch computerlesbare Instruktionen, durch Design und/oder Hardware derart ausgebildet, dass sie ein oder mehrere Verfahrensschritte gemäß Ausführungsformen der vorliegenden Erfindung ausführen kann.
  • Die Back-End-Recheneinrichtung 20 kann über die Schnittstelle 26 mit der Front-End-Recheneinrichtung 10 und/oder der Speichereinrichtung RD und/oder dem medizinischen Informationssystem 40 in Verbindung stehen. Über diese Schnittstelle 26 kann die Back-End-Recheneinrichtung 20 medizinische Datensätze PDS, Vergleichsdatensätze VDS und/oder Nutzereingaben empfangen, auf deren Grundlage ein Dokumentenvorlagestrukturen automatisch ausgewählt und medizinische Befundsbericht MBB Rechner-unterstützt erstellt und bereitgestellt werden können.
    en ist und dergleichen.
  • Zur Bereitstellung eines medizinischen Berichts MB kann die Back-End-Recheneinrichtung 200 über verschiedene Module verfügen.
  • Modul 21 ist als Datenabruf-Modul ausgebildet. Es ist dazu ausgebildet, auf das medizinische Informationssystem 40 bzw. die Speichereinrichtung RD zuzugreifen und nach den medizinischen Datensätzen PDS bzw. nach Vergleichsdatensätzen VDS zu suchen. Insbesondere kann das Modul 21 dazu ausgebildet sein, Suchanfragen zu formulieren und sie an das medizinische Informationssystem 40 zu parsen.
  • Modul 22 kann als Benutzerinteraktionsmodul oder -einheit ausgebildet sein. Das Modul 22 kann dazu ausgebildet sein, dem Nutzer eine Dokumentenvorlagestruktur DVS zur weiteren Bearbeitung bereitzustellen. Ferner kann das Modul 22 dazu ausgebildet sein, ein oder mehrere Nutzereingaben zu erfassen und der Verarbeitung in der Back-End-Recheneinrichtung bereitzustellen. Solche Nutzereingaben können beispielsweise Sprache, Gesten, Augenbewegungen, Handhabung von Eingabegeräten wie z B. Computermaus etc. umfassen. Die Nutzereingaben können dabei auf eine Interaktion mit dem medizinischen Datensatz PDS gerichtet sein, oder die Erstellung eines medizinischen Befundsbericht MBB basierend auf der Dokumentenvorlagestruktur DVS betreffen.
  • Modul 23 ist zur Bereitstellung von Referenzdatensätzen RDS ausgebildet. Modul 23 kann als Ähnlichkeitsanalyse-Modul bezeichnet werden. Dazu kann Modul 23 dazu ausgebildet sein, auf die bereitgestellten Vergleichsdatensäte VDS zuzugreifen und ein oder mehrere Referenzdatensätze RDS auszuwählen. Die Referenzdatensätze RDS zeichnen sich dabei dadurch aus, dass sie eine gewisse Ähnlichkeit zu dem medizinischen Datensatz PDS bzw. dem medizinischen Sachverhalt bzw. Befundungskontext des medizinischen Datensatzes PDS aufweisen. Hierfür kann Modul 23 beispielsweise dazu ausgebildet sein, einen Datendeskriptor aus dem medizinischen Datensatz PDS zu extrahieren und mit entsprechenden Datendeskriptoren aus den Vergleichsdatensätzen VDS zu vergleichen. Ein Datendeskriptor kann dabei als Datenvektor oder Merkmalsvektor aufgefasst werden, in dem relevante Merkmale für Vergleiche verschiedener medizinischer Datensätze aggregiert sind. Solche relevanten Merkmale können dabei sowohl aus den Bilddaten als auch aus den Nicht-Bilddaten des medizinischen Datensatzes PDS extrahiert werden, oder beispielsweise demografische Informationen zum jeweiligen Patienten (wie Alter oder Geschlecht), Laborwerte (wie etwa ein PSA-Wert des Patienten), und/oder Vitaldaten des Patienten umfassen. Aus Bilddaten extrahierte Merkmale können beispielsweise Bildinformationen wie Muster, Farbinformationen, Intensitätswerte usw. umfassen. Der aus dem medizinischen Datensatz PDS erzeugte Datendeskriptor kann von dem Modul 23 mit entsprechenden Datendeskriptoren der Vergleichsdatensätze VDS verglichen werden, um unter den Vergleichsdatensätze VDS Fälle zu ermitteln, die eine gewisse Ähnlichkeit mit dem medizinischen Datensatz PDS des zu befundenden Patienten aufweisen. Dazu kann das Modul 23 für die betrachteten Vergleichsdatensätze VDS jeweils ein Ähnlichkeitsmaß ermitteln, das eine Ähnlichkeit des medizinischen Datensatz PDS mit dem jeweiligen Vergleichsdatensatz VDS angibt (bzw. quantifiziert). Vergleichsdatensätze VDS mit einem gewissen Ähnlichkeitsmaß (z.B. einem Ähnlichkeitsmaß oberhalb eines gewissen Schwellenwerts) werden als Referenzdatensätze RDS identifiziert.
  • Zur Durchführung der Ähnlichkeitsanalyse kann das Modul 23 dazu ausgebildet sein, eine Analysefunktion AF auszuführen. Die Analysefunktion AF ist dann dazu ausgebildet, basierend auf dem medizinischen Datensatz PDS und den Vergleichsdatensätzen VDS ein oder mehrere Referenzdatensätze RDS zu identifizieren und entsprechende Ähnlichkeitsmaße, bereitzustellen. Die Analysefunktion AF kann ein oder mehrere trainierte Funktionen aufweisen.
  • Das Modul 24 kann als Berichtsmodul ausgebildet sein, mit dem ein medizinischer Befundbericht MBB erstellt wird. Insbesondere kann das Modul 24 dazu ausgebildet sein, die Speichereinrichtung RD nach geeigneten Dokumentenvorlagestrukturen DVS abfragt. Ferner kann das Modul 24 dazu ausgebildet sein, die Dokumentenvorlagestruktur DVS basierend auf Benutzereingaben zu editieren. Ferner kann das Modul 24 dazu ausgebildet sein, mehrere Dokumentenvorlagestrukturen DVS zu einem medizinischen Befundsbericht zu kombinieren.
  • Die vorgenommene Unterteilung der Back-End-Recheneinrichtung 20 in Module 21-24 dient dabei lediglich der einfacheren Erklärung der Funktionsweise der Back-End-Recheneinrichtung 20 und ist nicht beschränkend zu verstehen. Die Module 21-24 bzw. deren Funktionen können auch in einem Element zusammengefasst sein. Die Module 21-24 können dabei insbesondere auch als Computerprogrammprodukte oder Computerprogrammsegmente aufgefasst werden, welche bei der Ausführung in der Back-End-Recheneinrichtung 20 ein oder mehrere der hierin beschriebenen Verfahrensschritte realisieren.
  • In 2 ist ein schematisches Ablaufdiagramm eines Verfahrens zur Bereitstellung einer Dokumentenvorlagestruktur DVS bzw. eines medizinischen Befundsberichts MBB dargestellt. Die Reihenfolge der Verfahrensschritte ist weder durch die dargestellte Abfolge noch durch die gewählte Nummerierung beschränkt. So kann die Reihenfolge der Schritte ggf. vertauscht und einzelne Schritte können weggelassen werden. Außerdem können ein oder mehrere Schritte, insbesondere eine Sequenz von Schritten, und optional das gesamte Verfahren wiederholt ausgeführt werden. In 3 ist ein zugehöriges Diagramm gezeigt, welches mit dem in 2 gezeigten Verfahren assoziierten Datenströme exemplarisch darstellt.
  • Das in 2 dargestellte Verfahren stellt in einigen Ausführungsformen darauf ab, basierend auf einer automatisierten Analyse der zu einem Patienten zur Verfügung stehenden Daten eine Auswahl möglicher Dokumentenvorlagestrukturen DVS anzubieten und ggf. durch eine fortgesetzte Mensch-Maschine-Interaktion einzugrenzen. Die zur Verfügung stehenden Daten sind einerseits durch den medizinischen Datensatz PDS des zu befundenen Patienten und andererseits durch Vergleichsdatensätze VDS gegeben.
  • In einem ersten Schritt S10 wird der medizinische Datensatz PDS des zu befundenden Patienten bereitgestellt. Dies kann eine manuelle Auswahl des jeweiligen Falls durch einen Nutzer über die Front-End-Recheneinrichtung 10 umfassen. Ferner kann dies ein Laden des medizinischen Datensatzes PDS von dem medizinischen Informationssystem 40. Zudem kann Schritt S10 ein Empfangen des medizinischen Datensatzes PDS durch die Back-End-Recheneinheit 20 umfassen.
  • Gemäß einer Idee der vorliegenden Erfindung wird der medizinische Datensatz PDS von der Back-End-Recheneinrichtung 20 automatisch mit den Vergleichsdatensätzen VDS verglichen, um unter den Vergleichsdatensätzen VDS Datensätze zu identifizieren, die eine gewisse Ähnlichkeit zu dem medizinischen Datensatz PDS aufweisen. Diese ähnlichen Datensätze werden auch Referenzdatensätze RDS genannt. Unter der Annahme, dass ähnliche medizinische Datensätze ähnliche medizinische Befundsberichte MBB nahelegen, kann aus den vorbekannten Referenz-Befundsberichten R-MBB der Referenzdatensätze RDS auf mögliche Dokumentenvorlagestrukturen DVS für den zu befundenden medizinischen Datensatz PDS geschlossen werden.
  • In Schritt S20 werden entsprechend Vergleichsdatensätze VDS bereitgestellt. Die Vergleichsdatensätze VDS können der Back-End-Recheneinrichtung 20 beispielsweise über die Speichereinrichtung RD oder von einer Speichereinrichtung innerhalb des medizinischen Informationssystems 40 bereitgestellt werden.
  • In Schritt S30 wird der Back-End-Recheneinrichtung 10 eine Analysefunktion AF bereitgestellt, die dazu ausgebildet ist, für den medizinischen Datensatz PDS aus den Vergleichsdatensätzen VDS ein oder mehrere Referenzdatensätzen RDS herauszusuchen. Beispielsweise kann die Analysefunktion AF bereitgestellt werden, indem sie als ausführbarer Computercode in einem Speicher der Back-End-Recheneinrichtung 20 verfügbar gehalten wird.
  • In Schritt S40 werden unter Verwendung der Analysefunktion AF aus den Vergleichsdatensätzen VDS ein oder mehrere Referenzdatensätze RDS ermittelt, die bevorzugt eine bestimmte Ähnlichkeit zu dem medizinischen Datensatz PDS aufweisen.
  • Schritt S40 kann dabei auf einer Ähnlichkeitsanalyse beruhen, bei der Ähnlichkeiten zwischen dem medizinischen Datensatz PDS und den Vergleichsdatensätzen VDS von der Analysefunktion AF identifiziert bzw. quantifiziert werden. Die Ähnlichkeiten können dabei durch Ähnlichkeitsmaße ausgedrückt bzw. quantifiziert werden. Insbesondere kann für wenigstens eine Teilmenge der Vergleichsdatensätze VDS von der Analysefunktion AF jeweils ein Ähnlichkeitsmaß ermittelt werden, das jeweils eine Ähnlichkeit des jeweiligen Vergleichsdatensatzes VDS mit dem medizinischen Datensatz PDS ausdrückt.
  • Alle Vergleichsdatensätze VDS mit einem gewissen Ähnlichkeitsgrad zum medizinischer Datensatz PDS können dann als Referenzdatensätze RDS identifiziert werden, die für die Befundung des medizinischen Datensatzes PDS potentiell relevant sind. Beispielsweise können all jene Vergleichsdatensätze VDS als Referenzdatensätze RDS identifiziert werden, deren Ähnlichkeitsmaß oberhalb einer vorgegebenen oder vorgebbaren Schwelle liegt. Alternativ können die Vergleichsdatensätze VDS mit den vergleichsweise höchsten Ähnlichkeitsmaßen als Referenzdatensätze RDS identifiziert werden.
  • Schritt S40 führt somit, wie in 3 gezeigt, zu einem oder mehreren Referenzdatensätzen RDS. Zu jedem Referenzdatensatz RDS gehört ein entsprechender Referenz-Befundsbericht R-MBB.
  • In Schritt S50 werden basierend auf dem Referenz-Befundsbericht R-MBB bzw. den Referenz-Befundsberichten R-MBB der Referenzdatensätze RDS ein oder mehrere Dokumentenvorlagestrukturen DVS identifiziert. Dafür können beispielsweise die Dokumentenvorlagestrukturen DVS erkannt werden, auf denen die Referenz-Befundberichte R-MBB beruhen. Die so erkannten Dokumentenvorlagestrukturen DVS können dann als für den zu befundenden Fall relevant identifiziert werden.
  • In Schritt S60 können die so identifizierten Dokumentenvorlagestrukturen DVS bereitgestellt werden - entweder einem Nutzer an der Front-End-Recheneinrichtung 10 oder einem automatisierten Prozess (beispielsweise in der Back-End-Recheneinrichtung 20) zur weiteren Verarbeitung bereitgestellt werden, um auf Grundlage der Dokumentenvorlagestruktur DVS einen medizinischen Befundsbericht MBB für den zu befundenden Patienten zu erstellen. Beispielsweise kann in Schritt S60 eine „leere“ Version Dokumentenvorlagestruktur DVS z.B. von der Speichereinrichtung RD heruntergeladen und bereitgestellt werden. Alternativ kann die für den Referenz-Befundbericht R-MBB editierte und/oder befüllte Dokumentenvorlagestruktur DVS bereitgestellt werden.
  • In einem optionalen Schritt S70 wird ein medizinischer Befundsbericht MBB basierend auf der Dokumentenvorlagestruktur DVS erzeugt. Dies kann das Empfangen von Nutzereingaben umfassen, die darauf gerichtet sind, die Dokumentenvorlagestruktur DVS über die Front-End-Recheneinrichtung 10 zu bearbeiten. Dies kann das Eingeben von Inhalten in die Dokumentenvorlagestruktur DVS oder Ändern von Inhalten der Dokumentenvorlagestruktur DVS umfassen. Für den medizinischen Befundsbericht MBB kann die so vom Nutzer bearbeitete Dokumentenvorlagestruktur DVS ferner mit anderen Dokumentenvorlagestruktur DVS kombiniert werden, die sich auf andere medizinische Befunde MF beziehen. Der resultierende medizinische Befundsbericht MBB kann dann z. B. über das medizinische Informationssystem 40 an andere Systeme oder Nutzer weitergeleitet werden. Ferner kann der resultierende medizinische Befundsbericht MBB archiviert werden, z.B. in der Berichtsdatenbank RD oder im medizinische Informationssystem 40. Insbesondere kann der so erstellte medizinische Befundsbericht MBB als weiterer Vergleichsdatensatz VDS gespeichert werden, um so das „Wissen“ im System 1 zu vergrößern.
  • Der optionale Schritt S80 sieht eine Mensch-Maschine-Interaktion zur Auswahl einer Dokumentenvorlagestruktur vor. So können in Schritt S50 mehrere verschiedene Dokumentenvorlagestrukturen bereitgestellt werden, die der Front-End-Recheneinrichtung 10 dann in Schritt S60 bereitgestellt werden können. In Schritt S80 kann darauf hin eine Nutzereingabe empfangen werden, die darauf gerichtet ist, einen oder mehrere der bereitgestellten Dokumentenvorlagestrukturen DVS auszuwählen und/oder andere zu verwerfen. Die ausgewählten Dokumentenvorlagestrukturen können dann zur weiteren Erstellung des medizinischen Befundsberichts MBB verwendet werden.
  • Gemäß einigen Implementierungen können die Nutzereingaben ferner an die Analysefunktion AF zurückgemeldet werden, um diese zu verbessern - etwa durch ein weiteres trainieren derselben.
  • In 4 sind weitere optionale Schritte dargestellt, mit denen zusätzliche Informationen über den zu befundenden Fall bzw. den Befundungsworkflow gewonnen und für die Bestimmung der Vergleichsdatensätzen VDS bzw. der Identifizierung der Dokumentenvorlagestrukturen DVS verwendet werden können. Die Schritte können einzeln oder in beliebiger Kombination in das in 2 gezeigte oder weitere hierin beschriebene Verfahren eingebunden werden. Insbesondere können die die in 4 gezeigten Schritte einzeln oder in beliebiger Kombination im Rahmen von Schritt S40 ausgeführt werden.
  • Der optionale Schritt S41 ist auf ein Einbeziehen einer Nutzereingabe gerichtet. Die Nutzereingabe kann von einem Nutzer in die Front-End-Recheneinrichtung 10 eingeben werden und in der Back-End-Recheneinrichtung 20 empfangen werden. Die Nutzereingabe ist bevorzugt eine Eingabe des Nutzers, die dieser im Rahmen einer Analyse bzw. Befundung auf den medizinischen Datensatz PDS richtet.
  • Beispielsweise kann die Nutzereingabe auf eine Auswahl eines bestimmten Teils des medizinischen Datensatzes PDS gerichtet sein, wie etwa von Bilddaten oder Labordaten innerhalb des medizinischen Datensatzes PDS. Ferner kann die Nutzereingabe ein Markieren eines relevanten Bereichs oder Interessensbereichs innerhalb eines Teils des medizinischen Datensatzes PDS umfassen. So kann die Nutzereingabe beispielsweise darauf gerichtet sein, einen Ausschnitt aus medizinischen Bilddaten oder einzelne Werte in einer Zeitreihe von Werten des Patien-ten zu definieren. Ferner kann die Nutzereingabe ein oder mehrere Wiedergabeparameter betreffen, mit denen der medizinische Datensatz oder Teile davon in der Front-End-Recheneinrichtung 10 dargestellt werden. Zudem kann die Nutzereingabe auf die Erstellung eines Messwerts basierend auf dem medizinischen Datensatz PDS gerichtet sein. Dazu kann der Nutzer beispielsweise ein digitales Messwerkzeug in der Front-End-Recheneinrichtung 10 auswählen und auf den medizinischen Datensatz PDS anwenden. Beispielsweise kann der Nutzer ein Werkzeug zur Vermessung medizinischer Bilddaten aktivieren, um in den Bilddaten gezeigte anatomische Gegebenheiten geometrisch zu Vermessen.
  • Die vorgenannte und weitere Nutzereingaben geben Aufschluss über die Informationen in dem medizinischen Datensatz PDS, die der Nutzer als für die Befundung relevant erachtet. Die Analysefunktion AF kann entsprechend dazu ausgebildet sein, die Nutzereingaben bei der Ermittlung der Vergleichsdatensätze VDS zu berücksichtigen. Beispielsweise können solche Nutzereingaben von der Analysefunktion AF dazu verwendet werden, die entsprechenden Bestandteile des medizinischen Datensatzes PDS automatisch herauszufiltern. Diese Bestandteile können dann bei der Identifizierung von Vergleichsdatensätze VDS verwendet oder zumindest stärker gewichtet werden. Hat der Nutzer beispielsweise über eine Nutzereingabe gewisse Vitaldaten des zu befundenden Patienten als relevant identifiziert, kann die Analysefunktion AF dazu ausgebildet sein, gezielt nach solchen Vergleichsdatensätzen VDS zu suchen, die vergleichbare Vitaldaten aufweisen.
  • Solche relevanten Bereiche können gemäß weiteren Ausführungsbeispielen auch automatisch detektiert werden. Dazu kann in Schritt S42 beispielsweise eine Detektionsfunktion bereitgestellt werden, die dazu ausgebildet ist, medizinische Auffälligkeiten in einem medizinischen Datensatz automatisch zu erkennen. Beispielsweise kann die Detektionsfunktion dazu ausgebildet sein, verdächtige Vitalwerte und/oder auffällige Muster in medizinischen Bilddaten automatisiert zu erfassen.
  • Solche Detektionsfunktionen sind prinzipiell bekannt und können sog. „Outlier“-Erfassungsalgorithmen oder Bildanalysefunktionen umfassen, die insbesondere auf trainierten Funktionen beruhen können. Beispielsweise kann die Detektionsfunktion bereitgestellt werden, indem sie als ausführbarer Computercode in einem Speicher der Back-End-Recheneinrichtung 20 verfügbar gehalten wird.
  • In Schritt S43 wird die Detektionsfunktion auf den medizinischen Datensatz PDS angewendet, wodurch wenigstens eine medizinische Auffälligkeit in dem medizinischen Datensatz PDS detektiert wird.
  • Die Analysefunktion AF ist ähnlich wie in Schritt S41 dazu ausgebildet, die automatisch erfasste medizinische Auffälligkeit bei der Ermittlung der Referenzdatensätze RDS zu berücksichtigen und so die „Treffergenauigkeit“ der Referenzdatensätze zu verbessern. Entsprechend wird die medizinische Auffälligkeit (zusammen mit dem medizinischen Datensatz PDS) in die Analysefunktion AF eingegeben.
  • Weiteren Aufschluss über passende Referenzdatensätze kann eine zeitliche Entwicklung einer medizinischen Auffälligkeit geben. So können Referenzdatensätze RDS mit ähnlichen zeitlichen Entwicklungen ähnliche Pathologien und damit passende Referenz-Befundsberichte R-MBB indizieren.
  • Zunächst wird in Schritt S44 eine medizinische Auffälligkeit erhalten - entweder durch die Verwendung einer Detektionsfunktion wie in den Schritten S42 und S43 oder basierend auf einer Nutzereingabe wie in Schritt S41.
  • Anschließend wird in Schritt S45 eine zeitliche Entwicklung der erhaltenen medizinischen Auffälligkeit berechnet. Dazu kann beispielsweise automatisiert nach früheren Manifestationen der medizinischen Auffälligkeit in dem medizinischen Datensatz PDS oder weiteren verfügbaren Daten des zu befundenden Patienten gesucht werden. Wurde beispielsweise eine Läsion in einem medizinischen Bilddatensatz als medizinische Auffälligkeit erhalten, können weitere medizinischen Bilddaten des Patienten aufgerufen werden und nach den Läsionen analysiert werden. Ferner kann ein die Läsion charakterisierender Messwert für die verschiedene Zeitpunkte erzeugt werden, wodurch eine zeitliche Entwicklung der medizinischen Auffälligkeit bereitgestellt werden kann.
  • Die Analysefunktion AF ist ähnlich wie in Schritt S41 dazu ausgebildet, die zeitliche Entwicklung der medizinischen Auffälligkeit bei der Ermittlung der Referenzdatensätze RDS zu berücksichtigen und so die „Treffergenauigkeit“ der Referenzdatensätze RDS zu verbessern. Entsprechend wird die medizinische Auffälligkeit (zusammen mit dem medizinischen Datensatz PDS) in die Analysefunktion AF eingegeben.
  • 5 zeigt eine beispielhafte Ausführungsform für Einzelschritte zur Ermittlung von Referenzdatensätzen RDS. Die Einzelschritte können insbesondere innerhalb von Schritt S40 ausgeführt werden. Die Reihenfolge der Verfahrensschritte ist weder durch die dargestellte Abfolge noch durch die gewählte Nummerierung beschränkt. So kann die Reihenfolge der Schritte ggf. vertauscht und einzelne Schritte können weggelassen werden. Außerdem können ein oder mehrere Schritte, insbesondere eine Sequenz von Schritten bis hin zu allen Schritten wiederholt ausgeführt werden.
  • Die in 5 gezeigten Schritte zielen dabei darauf ab, für Vergleichsdatensätze VDS jeweils Ähnlichkeitsmaße zu ermittelten, die eine Ähnlichkeit des jeweiligen Vergleichsdatensatzes VDS mit dem medizinischen Datensatz PDS - etwa in Form eines Zahlenwerts - quantifizieren. Basierend auf diesem Ähnlichkeitsmaß können anschließend solche Vergleichsdatensätze VDS als Referenzdatensätze RDS identifiziert werden, die eine gewisse Ähnlichkeit mit dem medizinischen Datensatz PDS aufweisen.
  • In einem ersten Schritt S40-A wird basierend auf dem medizinischen Datensatz PDS ein Datendeskriptor erzeugt. Optional können bei der Erzeugung des Datendeskriptors auch weitere Informationen und Eingabeparameter berücksichtigt werden - etwa diejenigen, die in Zusammenhang mit 4 erläutert werden. in Der Datendeskriptor kann wesentliche Merkmale des medizinischen Datensatzes PDS in Form eines Merkmalsvektors umfassen. Da der medizinische Datensatz PDS im Allgemeinen Bilddaten und Nicht-Bilddaten aufweist, kann auch der Datendeskriptor auf Bild-Merkmalen und Nicht-Bild-Merkmalen basieren. Bild-Merkmale können unter Verwendung von Bildverarbeitungsverfahren extrahiert werden. Diese können die Identifizierung, Analyse und/oder Vermessung von Objekten, lokalen und/oder globalen Strukturen, Mustern oder Texturen umfassen, die in den Bilddaten des medizinischen Datensatzes PDS enthalten sind. Die Merkmale können ferner anatomische Merkmale und/oder Strukturen, wie etwa die Gegenwart eine anatomische Landmarke oder die Größe, Textur oder Dichte eines identifizierten Organs umfassen. Ferner können die Merkmale Parameter umfassen, die Bildwerte der im medizinischen Datensatz PDS enthaltenen Bilddaten charakterisieren. Dies können z.B. Parameter sein, die eine Farbe, eine Graustufe, einen Kontrast oder Gradienten dieser Größen beschreiben. Die aus den Nicht-Bilddaten extrahierten Merkmale können z.B. Metadaten zu den Bilddaten des medizinischen Datensatzes PDS umfassen. Weiterhin können sich die Merkmale auf weitere Kontextdaten des zu befundenden Patienten beziehen. Diese Merkmale können sich z.B. auf demografische Angaben zum Patienten, einer oder mehrere Vorerkrankungen, Risikofaktoren, bereits vorhandene Diagnosen und Befunde, Laborwerte, Vitalwerte, usw. beziehen. Der Datendeskriptor weist bevorzugt eine Vielzahl an Merkmalen auf, die in Summe den medizinischer Datensatz PDS charakterisieren. In einigen Ausführungsformen wird Schritt S40-A unter Verwendung der entsprechend ausgebildeten Analysefunktion AF vollzogen.
  • In Schritt S40-B werden korrespondierende Datendeskriptoren der Vergleichsdatensätze VDS erhalten. Die korrespondieren Datendeskriptoren können analog zu dem Datendeskriptor des medizinischen Datensatzes PDS erzeugt werden und insbesondere die gleiche Struktur wie dieser aufweisen. Gemäß einigen Ausführungsformen wurden die korrespondierenden Datendeskriptoren bereits im Vorfeld erzeugt und sind zusammen mit den Vergleichsdatensätzen VDS in der Speichereinrichtung RD gespeichert.
  • Im folgenden Schritt S40-C wird eine Ähnlichkeitsmetrik ausgewertet, mit welcher eine Ähnlichkeit zwischen dem Datendeskriptor des medizinischen Datensatzes PDS und den korrespondieren Datendeskriptoren der Vergleichsdatensätze VDS quantifiziert werden kann. Dabei können alle oder nur ein Teil der in der Speichereinheit enthaltenen Vergleichsdatensätze VDS berücksichtigt werden. Mit anderen Worten kann so in Schritt S40-C für jeden berücksichtigten Vergleichsdatensatz VDS ein Ähnlichkeitsmaß erhalten werden. Gemäß einigen Ausführungsformen kann die Ähnlichkeitsmetrik ein Abstand im Vektorraum zwischen dem Merkmalsvektoren des medizinischer Datensatz PDS und der Vergleichsdatensätze VDS sein. Beispielsweise kann der Abstand als euklidischer Abstand gegeben sein. Gemäß weiteren Beispielen kann die Ähnlichkeitsmetrik als Cosinus-Ähnlichkeit zwischen den Datendeskriptoren definiert sein. Gemäß anderen Beispielen kann die Ähnlichkeit einzelner Merkmale individuelle gewichtet werden.
  • Die Ähnlichkeitsmaße können anschließend dazu verwendet werden, aus den Vergleichsdatensätzen VDS diejenigen Datensätze auszuwählen, die eine gewisse Ähnlichkeit zu dem medizinischen Datensatz PDS aufweisen. Gemäß beispielhaften Ausführungsformen können alle Vergleichsdatensätze VDS ausgewählt, deren Ähnlichkeitsmaß oberhalb einer vorbestimmten Schwelle ist.
  • Einer oder mehrere - und insbesondere alle der Schritte S40-A-S40-C - können von der (entsprechend ausgebildeten) Analysefunktion AF ausgeführt werden. Dazu kann die Analysefunktion AF ein oder mehrere trainierte Funktionen aufweisen. Insbesondere kann das Extrahieren der Datendeskriptoren mit Hilfe einer trainierten Funktion erfolgen.
  • Verschiedene Datenquellen innerhalb des medizinischen Datensatzes bzw. der Vergleichsdatensätze können innerhalb verschiedener trainierter Encoder-Pfade verarbeitet werden. So kann z.B. ein Encoder-Pfad dazu ausgebildet sein, Merkmale aus medizinischen Bildern zu extrahieren, während ein anderer Encoder-Pfad dazu ausgebildet sein kann, Merkmale aus insbesondere unstrukturierten Textdokumenten zu extrahieren. Ebenso können die in Zusammenhang mit 4 genannten weiteren Informationen und Eingabeparameter berücksichtigt werden. Auch diese Eingabeparameter können mittels geeigneter Encoder-Pfade in Merkmale überführt werden. Die Gesamtheit der Encoder-Pfade kann auch als (trainierter) Encoder-Abschnitt der Analysefunktion AF bezeichnet werden.
  • Ferner kann die Analysefunktion einen trainierten Decoder- oder Klassifikations-Pfad aufweisen, der dazu ausgebildet ist, eine Ähnlichkeit in den Decoder-Pfad eingegebener Merkmalsvektoren auszugeben. Insbesondere kann der Decoder-Pfad hierfür eine gelernte Ähnlichkeitsmetrik auf die Merkmalsvektoren anwenden. Der Decoder-Pfad kann auch als (trainierter) Klassifikator-Abschnitt der Analysefunktion AF bezeichnet werden.
  • Alternativ kann eine trainierte Funktion auch derart ausgelegt sein, die Ähnlichkeitsmaße unmittelbar, d.h. ohne einen greifbaren Zwischenschritt des Erzeugens von Datendeskriptoren, anzugeben.
  • Neben trainierten Funktionen können selbstverständlich auch klassische, nicht auf künstlicher Intelligenz beruhende Funktionen verwendet werden. Ein Beispiel hierfür wären sog. Textur-Klassifikationsalgorithmen.
  • In 6 sind optionale Verfahrensschritte dargestellt um die Dokumentenvorlagestruktur DVS automatisiert zu editieren und/oder zu befüllen. Die in 6 gezeigten Schritte können dabei z.B. im Rahmen der Bereitstellung der Dokumentenvorlagestruktur DVS ausgeführt werden.
  • In Schritt S61 können einzelne Eingabefelder DF der Dokumentenvorlagestruktur DVS basierend auf bereits vorhandenen Informationen automatisch abgeändert oder befüllt werden. Hierfür können beispielsweise aus dem medizinischen Datensatz PDS, den Referenzdatensätzen RDS und/oder ein oder mehreren Nutzereingaben Informationen abgleitet und in zugehörige Eingabefelder DF der Dokumentenvorlagestruktur DVS eingegeben werden. Beispielsweise können Messwerte einer Läsion in eine für eine Befundung der Läsion geeignete Dokumentenvorlagestruktur DVS eingegeben werden.
  • Die Schritte S62, S63 und S64 beschäftigen sich mit der automatisierten Auswertung und Nutzbarmachung von unstrukturierten Informationen in dem Referenz-Befundsbericht R-MBB. So können z.B. in den Referenzdatensätze RDS vorhandener Text analysiert und bei der Bereitstellung der Dokumentenvorlagestruktur wiederverwendet werden. Dabei können z.B. diejenigen Textpassagen erkannt werden, die für den Referenzdatensatz RDS spezifisch sind und nicht übertragen werden können. Dies können z.B. Messwerte oder persönliche Daten des Patienten sein. Ebenso können allgemeinere und somit übertragbare Textpassagen erkannt werden.
  • Dazu kann in Schritt S62 zunächst ein Sprachanalysealgorithmus bereitgestellt werden, der dazu ausgebildet ist, einen Befundungstext durch Auswerten des Befundungstexts und, optional eines medizinischen Datensatzes PDS, auf den medizinischen Datensatz PDS anzupassen. Anpassen kann dabei im einfachsten Fall ein Entfernen spezifischer Informationen aus dem Befundungstext bzw. deren Ersetzen durch einen Platzhalter umfassen. In weiter fortgeschrittenen Anwendungen kann ein Anpassen auch ein Ersetzen spezifischer Informationen des Referenzdatensatzes RDS mit den korrespondierenden spezifischen Informationen des medizinischen Datensatzes PDS umfassen. Beispielsweise kann der Sprachanalysealgorithmus bereitgestellt werden, indem er als ausführbarer Computercode in einem Speicher der Back-End-Recheneinrichtung 20 verfügbar gehalten wird.
  • Der Sprachanalysealgorithmus kann insbesondere ein Computerlinguistikalgorithmus sein, der dazu ausgebildet ist natürliche Sprache enthaltenden Text zu erkennen und (wenigstens teilweise) eine Bedeutung beizumessen. So kann der Computerlinguistikalgorithmus beispielsweise dazu ausgebildet sein gewisse Schlüsselwörter oder Zahlenwerte in einem Befundungstext zu erkennen und ggf. auszutauschen oder mit einem Platzhalter zu versehen. Ferner kann der Sprachanalysealgorithmus dazu ausgebildet sein, den medizinischen Datensatz PDS auf ähnliche Weise nach korrespondierenden Informationen abzusuchen, mit denen sich die erkannten Elemente ersetzen lassen.
  • Grundsätzlich ist aus dem Stand der Technik eine Vielzahl von Anwendungen und Funktionen bekannt, die in einem so ausgebildeten Spracherkennungsalgorithmus angewendet werden können. Als Beispiel seien Verfahren latenter sematischer Analyse genannt.
  • In Schritt S63 erfolgt dann eine Anpassung des Befundungstextes durch Anwenden des Sprachanalysealgorithmus auf den Bedundungstext. Optional kann dabei auch der medizinische Datensatz PDS in den Sprachanalysealgorithmus eingeben werden. Dadurch wird ein angepasster Befundungstext erhalten, mit dem in Schritt S64 die identifizierte Dokumentenvorlagestruktur DVS vorbefüllt werden kann.
  • 7 zeigt eine beispielhafte Ausgestaltung eines computer-implementierten Verfahrens zur Bereitstellung einer Analysefunktion AF umfassend eine trainierte Funktion. Die Reihenfolge der Verfahrensschritte ist weder durch die dargestellte Abfolge noch durch die gewählte Nummerierung beschränkt. So kann die Reihenfolge der Schritte ggf. vertauscht und einzelne Schritte können weggelassen werden. Außerdem können ein oder mehrere Schritte, insbesondere eine Sequenz von Schritten, und optional das gesamte Verfahren wiederholt ausgeführt werden.
  • In Schritt T10 werden Trainingseingabedaten bereitgestellt, wobei die Trainingseingabedaten wenigstens einen Trainings-Datensatz und mehrere Trainings-Vergleichsdatensätze, mit denen der Trainings-Datensatz durch die Analysefunktion AF verglichen werden kann. Dabei ist der Trainings-Datensatz bevorzugt nicht in den Trainings-Vergleichsdatensätzen enthalten. Optional können die Trainingseingabedaten ferner weitere Informationen zur Bestimmung von Referenzdatensätzen aufweisen, wie etwa die hierin beschriebenen Nutzereingaben, Hinweise auf medizinische Auffälligkeiten oder deren Zeitverläufe.
  • In Schritt T20 werden Trainingsausgabedaten bereitgestellt. Die Trainingsausgabedaten indizieren wenigstens verifizierten Referenzdatensatz innerhalb der Trainingsvergleichsdatensätze, der eine gewisse Ähnlichkeit mit dem Trainings-Datensatz aufweist. Der verifizierte Referenzdatensatz kann dabei von einem menschlichen Experten angegeben worden sein oder anderweitig durch Auswahlregeln bestimmt worden sein.
  • In einem Schritt T30 wird die Analysefunktion AF auf die Trainingseingabedaten angewandt, um intermediäre Ausgabedaten zu erzeugen. Die intermediären Ausgebdaten entsprechen dabei einer Prädiktion wenigstens eines Referenzdatensatzes durch die Analysefunktion. Die Analysefunktion AF kann dabei bereits vortrainiert sein, d.h. es wurden bereits ein oder mehrere Parameter der Analysefunktion AF durch das beschriebene Trainingsverfahren und/oder ein anderes Trainingsverfahren angepasst. Alternativ können der eine oder die mehreren Parameter der Analysefunktion AF noch nicht mittels Trainingsdaten angepasst sein, insbesondere können der eine oder die mehreren Parameter durch einen konstanten Wert und/oder durch einen zufälligen Wert vorbelegt sein.
  • In Schritt T40 werden die intermediären Ausgabedaten mit den Trainingsausgabedaten verglichen, woraufhin die trainierte Funktion TF in Schritt T50 basierend auf dem Vergleich angepasst wird. Dies kann beispielsweise auf Grundlage eines Kostenfunktionals geschehen, das falsch gewählte Referenzdatensätze bestraft. Insbesondere kann hierfür ein externer Klassifikator verwendet werden, der die Ähnlichkeit der intermediären Ausgebdaten mit den Trainings-Ausgabedaten bewertet und die Analysefunktion AF umso mehr bestraft, je unähnlicher die intermediären Ausgebdaten und die Trainings-Ausgabedaten sind. Die Verwendung eines externen Klassifikators zur Bestimmung des Kostenfunktionals ist insbesondere dann vorteilhaft, wenn die Referenzdatensätze untereinander eine ähnliche Struktur aufweisen, die von derjenigen des später zu verarbeitenden medizinischen Datensatzes abweicht. Dies kann beispielsweise dann der Fall sein, wenn die Vergleichsdatensätze VDS im Wesentlichen Befundberichte R-MBB enthalten während die medizinischen Daten PDS weitere Informationen umfassen. Durch die Verwendung eines externen Klassifikators können Trainingsausgabedaten einfacher erzeugt werden und während des Trainings kann der Analysefunktion AF eine besser aufgelöste Rückmeldung gegeben werden, was das Training verbessern kann.
  • Ein oder mehrere Parameter der Analysefunktion AF können dann in Schritt T50 insbesondere so angepasst werden, dass das Kostenfunktional minimiert wird, beispielsweise mittels einer Rückpropagation (ein englischer Fachbegriff ist „back propagation“). Zur Minimierung des Kostenfunktionals wird der Vergleich für verschiedene paarweise Sätze aus Trainingsausgabedaten und Trainingsausgabedaten sowie intermediären Ausgabedaten durchgeführt, bis ein lokales Minimum des Kostenfunktionals erreicht ist und die Analysefunktion AF zufriedenstellend arbeitet. In Schritt T60 wird die so angepasste trainierte Funktion TF schließlich bereitgestellt.
  • 8 zeigt eine Ausführungsform eines Systems 200 zum Trainieren einer Analysefunktion AF umfassend eine oder mehrere trainierte Funktionen. Das System umfasst einen Prozessor 210, eine Schnittstelle 220, einen Arbeitsspeicher 230, einen lokalen Speicher 240 und eine Datenbank 250. Der Prozessor 210, die Schnittstelle 220, der Arbeitsspeicher 230 und der lokale Speicher 240 können als ein Computer 290 ausgebildet sein. Der Prozessor 210 steuert den Computer 290 durch Ausführen von Computerprogramm-Anweisungen. Die Computerprogramm-Anweisungen können im Arbeitsspeicher 230 oder im lokalen Speicher 240 gespeichert und in den Arbeitsspeicher 230 geladen werden, wenn die Ausführung der Computerprogramm-Anweisungen gewünscht wird. Die in 7 dargestellten Verfahrensschritte können durch die Computerprogramm-Anweisungen definiert werden, die im Arbeitsspeicher 230 und/oder lokalen Speicher 240 gespeichert sind.
  • Die Datenbank 250 ist eine Speichereinrichtung wie etwa eine Cloud oder ein lokaler Speicher, die als Archiv für die oben eingeführten Trainingsdatensätze dient. Die Datenbank 250 kann mit dem Computer 290 über eine drahtlose oder Drahtgebundene Verbindung verbunden sein. Es ist auch möglich, die Datenbank 250 und den Computer 290 als ein einzelnes Gerät zu implementieren. Die Schnittstelle 220 ist insbesondere dazu ausgebildet, eine Datenverbindung zwischen dem Computer 290 und der Datenbank 250 herzustellen.
  • Während Ausführungsbeispiele insbesondere unter Bezugnahme auf die Figuren detailliert beschrieben wurden, sei darauf hingewiesen, dass eine Vielzahl von Abwandlungen möglich ist. Außerdem sei darauf hingewiesen, dass es sich bei den exemplarischen Ausführungen lediglich um Beispiele handelt, die den Schutzbereich, die Anwendung und den Aufbau in keiner Weise einschränken sollen. Vielmehr wird dem Fachmann durch die vorausgehende Beschreibung ein Leitfaden für die Umsetzung von mindestens einem Ausführungsbeispiel gegeben, wobei diverse Abwandlungen, insbesondere alternative oder zusätzliche Merkmale und/oder Abwandlung der Funktion und/oder Anordnung der beschriebenen Bestandteile, nach Wunsch des Fachmanns vorgenommen werden können, ohne dass dabei von dem in den angehängten Ansprüchen jeweils festgelegten Gegenstand sowie seiner rechtlichen Äquivalent abgewichen wird und/oder deren Schutzbereich verlassen wird.
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • US 2009/0092300 A1 [0056]
    • US 2009/0067693 A1 [0056]
    • US 2016/0321427 A1 [0056]

Claims (15)

  1. Computer-implementiertes Verfahren zur Bereitstellung einer Dokumentenvorlagestruktur (DVS) zur Erstellung eines medizinischen Befundsberichts (MBB) bei der Befundung eines zu befundenden Patienten mit den Schritten: - Empfangen (S10) eines medizinischen Datensatzes (PDS) des zu befundenden Patienten in einer Recheneinrichtung (20), - Bereitstellen (S20) mehrerer von dem medizinischen Datensatz (PDS) verschiedener Vergleichsdatensätze (VDS) in der Recheneinrichtung (20), wobei jeder Vergleichsdatensatz (VDS) wenigstens einen medizinischen Referenz-Befundsbericht (R-MBB) aufweist, - Bereitstellen (S30) einer Analysefunktion (AF), die dazu ausgebildet ist, zu einem medizinischen Datensatz (PDS) wenigstens einen Referenzdatensatz (RDS) aus mehreren Vergleichsdatensätzen (VDS) zu ermitteln, - Ermitteln (S40) wenigstens eines Referenzdatensatzes (RDS) aus den mehreren Vergleichsdatensätzen (VDS) durch Anwenden der Analysefunktion (AF) auf den medizinischen Datensatz (PDS) und die Vergleichsdatensätze (VDS) durch die Recheneinrichtung (20), - Identifizieren (S50) wenigstens einer Dokumentenvorlagestruktur (DVS) für den zu befundenden Patienten basierend auf dem mit dem wenigstens einen Referenzdatensatz (RDS) assoziierten wenigstens einen medizinischen Referenz-Befundsbericht (R-MBB) durch die Recheneinrichtung (20), und - Bereitstellen (S60) der identifizierten wenigstens einen Dokumentenvorlagestruktur (DVS) durch die Recheneinrichtung (20) zum Erstellen eines medizinischen Befundsberichts (MBB) für den zu befundenden Patienten.
  2. Verfahren nach Anspruch 1, ferner mit dem Schritt: - Empfangen (S41) einer auf den medizinischen Datensatz (PDS) gerichteten Nutzereingabe des Nutzers in der Recheneinrichtung (20), wobei - die Analysefunktion (AF) ferner dazu ausgebildet ist, den Referenzdatensatz (RDS) zusätzlich basierend auf der auf den medizinischen Datensatz (PDS) gerichteten Nutzereingabe zu ermitteln, und - im Schritt des Ermittelns (S40) der wenigstens eine Referenzdatensatzes (RDS) zusätzlich durch Anwenden der Analysefunktion (AF) auf die Nutzereingabe ermittelt wird.
  3. Verfahren nach Anspruch 2, bei dem die Nutzereingabe auf eine oder mehrere der folgenden Eingaben gerichtet ist: - ein Definieren eines Interessensbereichs in dem medizinischen Datensatz (PDS), - eine Detektion einer medizinischen Auffälligkeit in dem medizinischen Datensatz (PDS), - ein Erstellen eines Messwerts einer in dem medizinischen Datensatz (PDS) gezeigten Auffälligkeit, - ein Auswählen eines Analysewerkzeugs zum Erstellen eines Messwerts einer in dem medizinischen Datensatz (PDS) gezeigten Auffälligkeit, und/oder - ein Einstellen ein oder mehrerer Wiedergabeparameter zur Darstellung des medizinischen Datensatzes (PDS) in einer Nutzerschnittstelle (10).
  4. Verfahren nach einem der vorhergehenden Ansprüche, ferner mit den Schritten: - Bereitstellen (S42) einer von der Analysefunktion (AF) verschiedenen Detektionsfunktion, welche Detektionsfunktion zur automatisierten Detektion von medizinischen Auffälligkeiten in einem medizinischen Datensatz (PDS) ausgebildet ist, und - Anwenden (S43) der Detektionsfunktion auf den medizinischen Datensatz (PDS) durch die Recheneinrichtung (20) zur Detektion wenigstens einer medizinischen Auffälligkeit und Bereitstellung einer Information über die detektierte medizinische Auffälligkeit, wobei - die Analysefunktion (AF) ferner dazu ausgebildet ist, den Referenzdatensatz (RDS) zusätzlich basierend auf einer Information über eine in einem medizinischen Datensatz (PDS) detektierten medizinischen Auffälligkeit zu ermitteln, und - im Schritt des Ermittelns (S40) der wenigstens eine Referenzdatensatz (RDS) zusätzlich durch Anwenden der Analysefunktion (AF) auf die Information über die medizinische Auffälligkeit ermittelt wird.
  5. Verfahren nach einem der vorhergehenden Ansprüche, ferner mit den Schritten: - Erhalten (S44) einer medizinischen Auffälligkeit in dem medizinischen Datensatz (PDS) durch die Recheneinrichtung (20), - Bestimmen (S45) einer zeitlichen Entwicklung der medizinischen Auffälligkeit durch die Recheneinrichtung (20) basierend auf dem medizinischen Datensatz (PDS) und/oder weiteren, von dem medizinischen Datensatz (PDS) verschiedenen medizinischen Informationen des zu befundenden Patienten, wobei - die Analysefunktion (AF) ferner dazu ausgebildet ist, den Referenzdatensatz (RDS) zusätzlich basierend auf einer zeitlichen Entwicklung einer medizinischen Auffälligkeit zu ermitteln, - im Schritt des Ermittelns (S40) der wenigstens eine Referenzdatensatzes (RDS) zusätzlich durch Anwenden der Analysefunktion (AF) auf die zeitliche Entwicklung ermittelt wird.
  6. Verfahren nach einem der vorhergehenden Ansprüche, bei dem - die mit den Vergleichsdatensätzen (VDS) assoziierten Referenz-Befundsberichte (R-MBB) jeweils auf wenigstens einem, insbesondere standardisierten, Template-Baustein zur Erstellung eines medizinischen Befundsberichts basieren, - der Schritt des Identifizierens (S50) ein Identifizieren wenigstens eines Template-Bausteins basierend auf dem mit dem wenigstens einen Referenzdatensatz (RDS) assoziierten wenigstens einen medizinischen Referenz-Befundsbericht (R-MBB) durch die Recheneinrichtung (20) umfasst, und - der Schritt des Bereitstellens (S50) der Dokumentenvorlagestruktur (DVS) ein Bereitstellen des wenigstens einen identifizierten Template-Bausteins als Dokumentenvorlagestruktur (DVS) umfasst.
  7. Verfahren nach einem der vorhergehenden Ansprüche, ferner mit den Schritten: - Empfangen (S70) einer auf ein Editieren der identifizierten Dokumentenvorlagestruktur (DVS) gerichteten Nutzereingabe des Nutzers durch die Recheneinrichtung (20), - Erstellen eines medizinischen Befundsberichts (MBB) basierend auf der identifizierten Dokumentenvorlagestruktur (DVS) und der auf das Editieren gerichteten Nutzereingabe durch die Recheneinrichtung (20), - Bereitstellen (S80) des medizinischen Befundsberichts durch die Recheneinrichtung.
  8. Verfahren nach einem der vorhergehenden Ansprüche, bei dem - die wenigstens eine identifizierte Dokumentenvorlagestruktur (DVS) im Referenz-Befundsbericht (R-MBB) mit einem natürliche Sprache enthaltenden Befundungstext befüllt ist, ferner mit den Schritten: - Bereitstellen (S62) eines Sprachanalysealgorithmus, der dazu ausgebildet ist, einen Befundungstext durch Auswerten des Befundungstexts und eines medizinischen Datensatzes (PDS) auf den medizinischen Datensatz (PDS) anzupassen, - Anpassen (S63) des Befundungstexts auf den medizinischen Datensatz (PDS) durch Anwenden des Sprachanalysealgorithmus auf den Befundungstext und den medizinischen Datensatz (PDS) durch die Recheneinrichtung (20), - Vorbefüllen (S64) der identifizierten Dokumentenvorlagestruktur (DVS) mit dem angepassten Befundungstext durch die Recheneinrichtung (20), wobei - im Schritt des Bereitstellens (S60) die vorbefüllte Dokumentenvorlagestruktur (DVS) bereitgestellt wird.
  9. Verfahren nach einem der vorhergehenden Ansprüche, bei dem - die Analysefunktion (AF) dazu ausgebildet ist, ein Ähnlichkeitsmaß (AE) zwischen einem medizinischen Datensatz (PDS) und einem Vergleichsdatensatz (VDS) zu berechnen, welches Ähnlichkeitsmaß (AE) eine Ähnlichkeit zwischen dem medizinischen Datensatz (PDS) und dem Vergleichsdatensatz (VDS) angibt, und - der Schritt des Ermittelns (S40) des wenigstens einen Referenzdatensatzes (RDS) ein Berechnen jeweils eines Ähnlichkeitsmaßes (AE) für die Vergleichsdatensätze (VDS) durch Anwenden der Analysefunktion (AF) auf den medizinischen Datensatz (PDS) und die Vergleichsdatensätze (VDS) umfasst, und - die Referenzdatensätze (RDS) aus den Vergleichsdatensätzen (VDS) basierend auf dem bestimmten Ähnlichkeitsmaßen (AE) ermittelt werden.
  10. Verfahren nach Anspruch 9, bei dem - die Analysefunktion (AF) dazu ausgebildet ist, - einen Datendeskriptor aus einem medizinischen Datensatz (PDS) und/oder einen korrespondierenden Datendeskriptor aus einem Vergleichsdatensatz (VDS) zu extrahieren, welche Datendeskriptoren für eine Ermittlung von Referenzdatensätzen relevante Eigenschaften des zugrundeliegenden medizinischen Datensatzes (PDS) und/oder Vergleichsdatensatzes (VDS) angeben, und - ein Ähnlichkeitsmaß (AE) zwischen einem medizinischen Datensatz (PDS) und einem Vergleichsdatensatz (VDS) basierend auf deren Datendeskriptoren insbesondere durch Eingeben von deren Datendeskriptoren in eine Ähnlichkeitsmetrik zu berechnen, - das Berechnen eines Ähnlichkeitsmaßes (AE) für einen Vergleichsdatensatz (VDS) umfasst: - Erhalten (S40-A) eines Datendeskriptors aus dem medizinischen Datensatz (PDS) insbesondere durch Anwenden der Analysefunktion (AF) auf den medizinischen Datensatz, - Erhalten (S40-B) eines korrespondierenden Datendeskriptors für den einen Vergleichsdatensatz (VDS) insbesondere durch Anwenden der Analysefunktion (AF) auf den einen Vergleichsdatensatz (VDS), und - Berechnen (S40-C) des Ähnlichkeitsmaßes (AE) für einen Vergleichsdatensatz (VDS) basierend auf dem Datendeskriptor und dem jeweiligen korrespondierenden Datendeskriptor durch Anwenden der Analysefunktion (AF) auf den Datendeskriptor und den jeweiligen korrespondierenden Datendeskriptor.
  11. Verfahren nach einem der vorhergehenden Ansprüche, bei dem die Analysefunktion (AF) eine trainierte Funktion umfasst.
  12. Verfahren nach einem der vorhergehenden Ansprüche, bei dem - im Schritt des Identifizierens (S50) wenigstens einer Dokumentenvorlagestruktur (DVS) mehrere Dokumentenvorlagestrukturen (DVS) zur Auswahl durch den Nutzer identifiziert werden, - im Schritt des Bereitstellens (S60) die mehreren identifizierten Dokumentenvorlagestrukturen (DVS) dem Nutzer über eine Nutzerschnittstelle (10) bereitgestellt werden, ferner mit dem Schritt: - Empfangen (S80) einer auf die Auswahl wenigstens einer Dokumentenvorlagestruktur (DVS) gerichteten Nutzereingabe des Nutzers über die Nutzerschnittstelle (10), wobei - im Schritt des Bereitstellens (S60) die wenigstens eine durch die auf die Auswahl der wenigstens einen Dokumentenvorlagestruktur (DVS) gerichtete Nutzereingabe ausgewählte Dokumentenvorlagestruktur (DVS) zur weiteren Bearbeitung durch den Nutzer in der Nutzerschnittstelle (10) bereitgestellt wird.
  13. System (1) zur Bereitstellung einer Dokumentenvorlagestruktur (DVS) für eine Erstellung eines medizinischen Befundsberichts (MBB) bei der Befundung eines zu befundenden Patienten, wobei - das System (1) eine Recheneinrichtung (20) und eine Schnittstelle (26) aufweist, - die Schnittstelle (26) zum Empfangen eines medizinischen Datensatzes (PDS) des zu befundenden Patienten und zum Bereitstellen mehrerer von dem medizinischen Datensatz (PDS) verschiedener Vergleichsdatensätze (VDS) ausgebildet ist, wobei jeder Vergleichsdatensatz (VDS) wenigstens einen medizinischen Referenz-Befundsbericht (R-MBB) aufweist, und - die Recheneinrichtung (20) dazu ausgebildet ist: - eine Analysefunktion (AF) zu hosten, die dazu ausgebildet ist, zu einem medizinischen Datensatz wenigstens einen Referenzdatensatz (RDS) aus mehreren Vergleichsdatensätzen (VDS) zu ermitteln, - wenigstens einen Referenzdatensatze (RDS) aus den mehreren Vergleichsdatensätzen (VDS) durch Anwenden der Analysefunktion (AF) auf den medizinischen Datensatz (PDS) und die Vergleichsdatensätze (VDS) zu ermitteln, - wenigstens eine Dokumentenvorlagestruktur (DVS) für den zu befundenden Patienten basierend auf dem mit dem wenigstens einen Referenzdatensatz (RDS) assoziierten wenigstens einen medizinischen Referenz-Befundsbericht (R-MBB) zu identifizieren, und - die identifizierten wenigstens eine Dokumentenvorlagestruktur (DVS) über die Schnittstelle (26) bereitzustellen.
  14. Computerprogrammprodukt, welches ein Programm umfasst und direkt in einen Speicher einer programmierbaren Recheneinrichtung (20) ladbar ist, mit Programmmitteln, um ein Verfahren nach den Ansprüchen 1 bis 12 auszuführen, wenn das Programm in der Recheneinrichtung (20) ausgeführt wird.
  15. Computerlesbares Speichermedium, auf welchem lesbare und ausführbare Programmabschnitte gespeichert sind, um alle Schritte der Verfahren nach einem der Ansprüche 1 bis 12 auszuführen, wenn die Programmabschnitte von einer Recheneinrichtung (20) ausgeführt werden.
DE102022211036.6A 2022-10-18 2022-10-18 Verfahren und System zur Bereitstellung einer Dokumentenvorlagestruktur zur Erstellung eines medizinischen Befundsberichts Pending DE102022211036A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE102022211036.6A DE102022211036A1 (de) 2022-10-18 2022-10-18 Verfahren und System zur Bereitstellung einer Dokumentenvorlagestruktur zur Erstellung eines medizinischen Befundsberichts
CN202311341615.6A CN117912626A (zh) 2022-10-18 2023-10-17 提供用于创建医学评定报告的文档模型结构的方法和系统
US18/488,490 US20240127917A1 (en) 2022-10-18 2023-10-17 Method and system for providing a document model structure for producing a medical findings report

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102022211036.6A DE102022211036A1 (de) 2022-10-18 2022-10-18 Verfahren und System zur Bereitstellung einer Dokumentenvorlagestruktur zur Erstellung eines medizinischen Befundsberichts

Publications (1)

Publication Number Publication Date
DE102022211036A1 true DE102022211036A1 (de) 2024-04-18

Family

ID=90469718

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102022211036.6A Pending DE102022211036A1 (de) 2022-10-18 2022-10-18 Verfahren und System zur Bereitstellung einer Dokumentenvorlagestruktur zur Erstellung eines medizinischen Befundsberichts

Country Status (3)

Country Link
US (1) US20240127917A1 (de)
CN (1) CN117912626A (de)
DE (1) DE102022211036A1 (de)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090067693A1 (en) 2007-09-11 2009-03-12 Siemens Medical Solutions Usa Inc. Automatic Calibration of Computer Aided Diagnosis Based on Retrospective Examination
US20090092300A1 (en) 2007-10-03 2009-04-09 Siemens Medical Solutions Usa, Inc. System and Method for Lesion Detection Using Locally Adjustable Priors
US20160321427A1 (en) 2015-04-28 2016-11-03 Siemens Medical Solutions Usa, Inc. Patient-Specific Therapy Planning Support Using Patient Matching
US20200303048A1 (en) 2019-03-20 2020-09-24 International Business Machines Corporation Generating and customizing summarized notes
US20210074427A1 (en) 2019-09-06 2021-03-11 RedNova Innovations, Inc. System for generating medical reports for imaging studies
EP4016543A1 (de) 2020-12-15 2022-06-22 Siemens Healthcare GmbH Verfahren und vorrichtung zur bereitstellung einer medizinischen information

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090067693A1 (en) 2007-09-11 2009-03-12 Siemens Medical Solutions Usa Inc. Automatic Calibration of Computer Aided Diagnosis Based on Retrospective Examination
US20090092300A1 (en) 2007-10-03 2009-04-09 Siemens Medical Solutions Usa, Inc. System and Method for Lesion Detection Using Locally Adjustable Priors
US20160321427A1 (en) 2015-04-28 2016-11-03 Siemens Medical Solutions Usa, Inc. Patient-Specific Therapy Planning Support Using Patient Matching
US20200303048A1 (en) 2019-03-20 2020-09-24 International Business Machines Corporation Generating and customizing summarized notes
US20210074427A1 (en) 2019-09-06 2021-03-11 RedNova Innovations, Inc. System for generating medical reports for imaging studies
EP4016543A1 (de) 2020-12-15 2022-06-22 Siemens Healthcare GmbH Verfahren und vorrichtung zur bereitstellung einer medizinischen information

Also Published As

Publication number Publication date
US20240127917A1 (en) 2024-04-18
CN117912626A (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
DE102015212953B4 (de) Künstliche neuronale Netze zur Klassifizierung von medizinischen Bilddatensätzen
DE202018006897U1 (de) Dynamisches, selbstlernendes System für medizinische Bilder
DE102008002882A1 (de) System und Verfahren zu von einer elektronischen Krankenakte beeinflusster Datenerfassung, -verarbeitung und -anzeige
DE102005024326B3 (de) Nachbearbeitung von medizinischen Messdaten
DE112017002975T5 (de) Aktualisieren der Wahrscheinlichkeiten von Zuständen auf Grundlage von Annotationen in medizinischen Bildern
EP2648122B1 (de) Verfahren zum Laden von medizinischen Bilddaten sowie Vorrichtung zur Durchführung des Verfahrens
DE202019005911U1 (de) Systeme zur Erkennung einer Indikation eines visuellen Befundtyps in einem anatomischen Bild
DE102011053044A1 (de) System und Verfahren zur Analyse und sichtbaren Darstellung lokaler klinischer Merkmale
DE102009044075A1 (de) Auf aktiven elektronischen Patientenakten basierendes Unterstützungssystem unter Nutzung von lernenden Automaten
DE102006058941A1 (de) Verfahren und Vorrichtung zum Auswählen computergestützter Algorithmen, basierend auf dem Protokoll und/oder Parametern eines Akquisitionssystems
EP3287914A1 (de) Ermittlung von ergebnisdaten auf basis von medizinischen messdaten aus verschiedenen messungen
DE102016213515A1 (de) Verfahren zur Unterstützung eines Befunders bei der Auswertung eines Bilddatensatzes, Bildaufnahmeeinrichtung, Computerprogramm und elektronisch lesbarer Datenträger
DE102013218806A1 (de) Verfahren zur Auswertung einer Untersuchung
DE112012002671T5 (de) Anzeigen einer Vielzahl von registrierten Bildern
DE202020006045U1 (de) KI-System zum Vorhersagen von Lesezeit und Lesekomplexität zum Überprüfen von 2D-/3D-Brustbildern
DE112021004926T5 (de) Bildkodiervorrichtung, bildkodierverfahren, bildkodierprogramm,bilddekodiervorrichtung, bilddekodierverfahren, bilddekodierprogramm,bildverarbeitungsvorrichtung, lernvorrichtung, lernverfahren, lernprogramm, suchvorrichtung für ähnliche bilder, suchverfahren für ähnliche bilder, und suchprogramm für ähnliche bilder
DE102021210435A1 (de) Verfahren und Vorrichtung zur Visualisierung von dreidimensionalen Objekten
EP4016543A1 (de) Verfahren und vorrichtung zur bereitstellung einer medizinischen information
DE102017203315A1 (de) Verfahren und Datenverarbeitungseinheit zur Auswahl eines Protokolls für eine medizinische Bildgebungsuntersuchung
EP3214562B1 (de) Bestimmen einer bildserie abhängig von einer signaturmenge
DE112021000329T5 (de) Unterstützungsvorrichtung, verfahren und programm für dokumentenerstellung
DE112021000934T5 (de) Unterstützungsvorrichtung für dokumentenerstellung, unterstützungsverfahren für dokumentenerstellung und programm
DE102020211843A1 (de) Verfahren und Vorrichtung zur Analyse von Histopathologiebilddaten
DE102015205493B4 (de) Betrieb einer medizinischen Bildgebungsvorrichtung
DE102021204238A1 (de) Verfahren und System zur Erzeugung und Strukturierung medizinischer Untersuchungsinformationen

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication
R081 Change of applicant/patentee

Owner name: SIEMENS HEALTHINEERS AG, DE

Free format text: FORMER OWNER: SIEMENS HEALTHCARE GMBH, MUENCHEN, DE