Automatisierte Wissensextraktion vervielfacht das Tempo für bedarfsgetriebene Innovationen in der Medizintechnik.

Ansprechpartner

Name

Robert Farkas

Abteilungsleiter Science Management SCM

Telefon

work
+49 241 80 80740

E-Mail

E-Mail
 

Schmitz T, Bukowski M, Koschmieder S, Schmitz‐Rode T, Farkas R. Potential Technologies Review: A hybrid information retrieval framework to accelerate demand‐pull innovation in biomedical engineering. Res Syn Meth. 2019.

.Zur Originalpublikation

Automatisierte Wissensextraktion vervielfacht das Tempo für bedarfsgetriebene Innovationen in der Medizintechnik.

Viel zu selten können Ärzte mit Innovationsvorschlägen aus der Praxis Ingenieure oder Naturwissenschaftler herausfordern, denn der Versuch, eine fundierte Antwort auf die ärztliche Idee zu geben, entpuppt sich oft als ‚Fass ohne Boden‘.

Das weltweite Wissen nimmt exponentiell zu. Allein die medizinische Publikationsdatenbank PubMed wächst um über 1 Million Beiträge pro Jahr. In einer oder mehrerer dieser Publikationen könnte doch die gesuchte technologische Lösung oder ein passender Ansatz zu finden sein? Die Entwicklung für ein praxistaugliches Medizinprodukt müsste also nicht bei Null beginnen. Abgesehen von der Zeitersparnis im Innovationsprozess reduziert die Analyse des bestehenden Wissens auch die Gefahr, das „Rad“ zum zweiten Mal zu erfinden.

Doch wie sollen die relevanten Veröffentlichungen unter den zahllosen Beiträgen identifiziert werden, und zwar schnell, systematisch und nachvollziehbar? ‚Systematische Reviews‘ oder explorative ‚Scoping Reviews‘ passen nur teilweise zur gegebenen Fragestellung: Vorab eng zu definierende Einschlusskriterien für die Suche, das manuelle Screening vieler Tausend Treffer durch zwei unabhängige Fachleute (‚screening‘), die Recall-Erwartung von 100% sind im vorliegenden Fall nicht zielführend.

Die Arbeitsgruppe um Dr. R. Farkas im Institut für Angewandte Medizintechnik ‑ AME entwickelte daher ein mehrstufiges Text mining – Verfahren, den ‚ Potential Technology Review PTR ‘. Ausgehend von einem Initialen Korpus (Vorwissen) werden automatisiert geeignete Suchabfragen formuliert und in mehreren Stufen auf dem PubMed Gesamtbestand angewendet. Die Priorisierung der Trefferlisten nach berechneter Textähnlichkeit (‚Vector Space Model‘) ermöglicht den Abgleich der neuen Fundstellen mit dem Initialen Korpus und reduziert so das abschließende manuelle Screening auf ein Mindestmaß. Für einen onkologischer Beispielfall aus der Zusammenarbeit mit der hiesigen Gruppe für Translationale Hämatologie und Onkologie (Univ.-Prof. Dr. S. Koschmieder) konnte gezeigt werden, das PTR den manuellen Aufwand um 91% (‚Work-Saved-over Sampling‘) vermindert bei 79% Recall. Diese Werte verbunden mit der detaillierten Nachvollziehbarkeit und der Aktualisierbarkeit auf Knopfdruck kennzeichnen das große translatorische Potential des Verfahrens für Klinik getriebene Innovationen und darüber hinaus.