key: cord-0021578-lgvccvb8 authors: Kim, Su Hwan; Mir-Bashiri, Sanas; Matthies, Philipp; Sommer, Wieland; Nörenberg, Dominik title: Integration der strukturierten Befundung in den radiologischen Routine-Workflow date: 2021-09-28 journal: Radiologe DOI: 10.1007/s00117-021-00917-0 sha: 33163fb2ba6f4171dc2240c6dcfc1eb78397e7e1 doc_id: 21578 cord_uid: lgvccvb8 CLINICAL ISSUE: Structured reporting has been one of the most discussed topics in radiology for years. Currently, there is a lack of user-friendly software solutions that are integrated into the IT infrastructure of hospitals and practices to allow efficient data entry. STANDARD RADIOLOGICAL METHODS: Radiological reports are mostly generated as free text documents, either dictated via speech recognition systems or typed. In addition, text components are used to create reports of normal findings that can be further edited and complemented by free text. METHODOLOGICAL INNOVATIONS: Software-based reporting systems can combine speech recognition systems with radiological reporting templates in the form of interactive decision trees. A technical integration into RIS (“radiological information system”), PACS (“picture archiving and communication system”), and AV (“advanced visualization”) systems via application programming interfaces and interoperability standards can enable efficient processes and the generation of machine-readable report data. PERFORMANCE: Structured and semantically annotated clinical data collected via the reporting system are immediately available for epidemiological data analysis and continuous AI training. EVALUATION: The use of structured reporting in routine radiological diagnostics involves an initial transition phase. A successful implementation further requires close integration of the technical infrastructure of several systems. PRACTICAL RECOMMENDATIONS: By using a hybrid reporting solution, radiological reports with different levels of structure can be generated. Clinical questions or procedural information can be semi-automatically transferred, thereby eliminating avoidable errors and increasing productivity Abb. 1 Hybrid-Reporting -fließender Übergang zwischen Freitext und strukturierter Befundung Technologische Innovationen können wesentlich dazu beitragen, die strukturierte Befundung effizienter zu gestalten und deren Nutzung in der klinischen Routine zu etablieren [19] . Moderne Softwarelö-Abb. 2 Diese technischen Limitationen in der praktischen Anwendung schränken die Effizienz im klinischen Arbeitsalltag ein. Moderne Befundungslösungen adressieren diese Anforderungen durch eine tiefe technische Integration in klinische RIS-, PACS-und AV-Systeme über standardisierte Programmierschnittstellen (API; "application programming interface"). Hierbei werden Interoperabilitätsstandards wie HL7 v2 oder FHIR ("fast healthcare interoperability resources") verwendet, um konsistente Daten-Kommunikationsprotokolle zu definieren [2] . Häufig wird zwischen einem PACSgesteuerten und einem RIS-gesteuerten radiologischen Workflow unterschieden. Diese Begrifflichkeiten beschreiben, von welchem System aus die radiologische Arbeitsliste gestartet und navigiert wird [9, 10] "plain text", PDF) Dateiformat exportiert werden und damit für nachfolgende Auswertungen genutzt werden. Durch die strukturierte Generierung des radiologischen Befundes kann eine semantische Annotation von Befunddaten durch standardisierte Terminologien erfolgen, sodass die Befunddaten für eine maschinelle Interpretation zur Verfügung stehen. Unter den internationalen Terminologien, die zur Annotation genutzt werden, ist im Bereich der Radiologie das von der RSNA entwickelte RadLex führend, während SNOMED CT ("systematized nomenclature of medicine-clinical terms") im Allgemeinen als umfangreichste klinische Terminologie gilt. In . Abb. 4 ist eine Übersicht des radiologischen Workflows dargestellt [12] , wobei insbesondere eine zunehmend automatisierte Befunderstellung und -kommunikation künftig zur Effizienzsteigerung und verbesserten Therapieplanung beitragen können. Zahlreiche Studien haben in der Vergangenheit den positiven Einfluss der strukturierten Befundung auf die Befundqualität und -vollständigkeit belegt. Jedoch sind Struktur und Inhalt der Befunde unmittelbar abhängig vom Aufbau der genutzten Befundvorlagen (Templates). Diese bestehen häufig aus unterschiedlichen Auswahl-und Eingabeelementen. Gemäß der IHE MRRT-Profile ("management of radiology report templates") bestehen die gängigen Befundvorlagen meist aus den Sektionen "Prozedur", "Klinische Informationen", "Voruntersuchung", "Befund" und [20] . Aufgrund der unterschiedlichen Indikationsspektren sowie der Komplexität der verfügbaren Therapieoptionen stellt die Therapieplanung für HCC eine große Herausforderung dar. Um dieser Herausforderung zu begegnen, können bildgebende Parameter quantitativ erfasst und mit klinischen Parametern zusammengeführt werden. Darüber hinaus sind zunehmend KIgestützte Ansätze zur optimierten Bildinterpretation und Therapieplanung in den Fokus gerückt. . Abb. 6 und 7 zeigen exemplarisch die Übersicht eines Demonstrators für die bild-und befundgestützte Tumorcharakterisierung und Therapieplanung des HCC als Teil des wissenschaftlichen Kooperationsprojekts STRIKE ("structured therapy planning with AI decision support for liver interventions"; [31] ). Im Detail nutzt der Demonstrator dabei Entscheidungsbäume aus strukturierten Befundvorlagen, um klinische Daten der Patienten und quantitative Parameter aus Bilddaten strukturiert zu erfassen. Diese Daten werden mit der aktuellen Literatur (wissenschaftliche Publikationen, Leitlinien) abgeglichen und in einen Therapievorschlag umgesetzt. Die STRIKE-Befundvorlage des Demonstrators beruht auf den vom ACR herausgegebenen LI-RADS Guidelines (v2018; [31] ) und ermöglicht eine automatische Vorauswahl der LI-RADS-Kategorie anhand der Selektionen im Strukturbaum Abb. 8 In dem vorliegenden Artikel wurde die enorme Bedeutung der nahtlosen Workflow-Integration für die Akzeptanz und Nutzung strukturierter Befundungslösungen durch Radiologen aufgezeigt. Für den einzelnen befundenden Arzt dient die standardisierte und strukturierte Dokumentation vor allem als Tool zur Orientierungshilfe, Qualitätssteigerung und effizienteren Befundung. In den kommenden Jahren ist eine zunehmende Automatisierung von Befundungsprozessen zu erwarten, etwa durch eine direkte Vorbefüllung des strukturierten Befundes durch Messwerte aus den Bildviewern sowie von KI-gestützten Bildanalyse-Algorithmen und Entscheidungsunterstützungssystemen [4, 6] . Ein Beispiel für die KI-basierte Integration von Bilddaten in strukturierte Befunde ist der CAD4COVID-CT-Prototyp zur CT-Thorax-Befundung einer COVID-19-Erkrankung, der COVID-19-spezifische KI-Ergebnisparameter (z. B. dem Schweregrad der pulmonalen Verdichtungen) automatisch in einen strukturierten Befund einfügt (https://smartcad.smart-radiology.com). Entsprechende Algorithmen eignen sich beispielsweise für eine KI-basierte Risikostratifizierung von COVID-19-Patienten [11] . Zudem wird es zukünftig entscheidend sein, immer intelligentere Prozesse für die Befundung zu entwickeln. Da immer mehr Fachgesellschaften Empfehlungen für strukturierte Inhalte erstellen und die Anzahl der Klassifikationssysteme jährlich wächst, wird es für den Radiologen unmöglich, jedes Klassifikationssystem zu kennen und das richtige Lexikon zur Beschreibung eines Befundes zu verwen-den. Computergestützte Anwendungen können Radiologen bei der Befundung helfen, indem sie -etwa auf der Grundlage von Kontextinformationen aus dem elektronischen Krankenaktensystem und der Bildgebungsstudie -potenziell relevante Klassifizierungssysteme oder modulare medizinische Inhalte empfehlen. Neben der Standardisierung und Automatisierung von klinischen Prozessen gewinnt im Sinne der Präzisionsmedizin der Wunsch nach einer datengestützten Entscheidungsfindung an Bedeutung. Dadurch, dass strukturierte, semantisch annotierte klinische Befunddaten im Gegensatz zu unstrukturierten Freitextinhalten maschinenlesbar sind, stehen diese unmittelbar für Datenauswertungen, kontinuierliches KI-Training und personalisierte Therapieentscheidungen zur Verfügung [18] . Die klinischen Daten, die während der strukturierten Befundung in Echtzeit generiert werden, können beispielsweise mithilfe interaktiver Dashboards visualisiert werden (. Abb. 8). Es ist damit zu rechnen, dass für eine großflächige Auswertbarkeit dieser überaus wertvollen strukturierten Befunddaten, die idealerweise qualitätskontrolliert und fachärztlich validiert in der klinischen Routine erhoben werden, eine abteilungsund institutionsübergreifende Verlinkung und Aggregation von Daten aus weiteren Informationssystemen in Zukunft eine entscheidende Rolle spielen wird. Nicht zuletzt ist der Ansatz zur strukturierten medizinischen Dokumentation und Datensammlung auf weitere klinische Fachbereiche, wie z. B. die Pathologie oder Onkologie, übertragbar. Structured reporting in petrous bone MRI examinations: impact on report completeness and quality Structured reporting of multiphasic CT for pancreatic cancer: potential effect on staging and surgicalplanning Machine learning in oncology: a clinical appraisal Effect of template reporting of brain MRis for multiple sclerosis on report thoroughness and neurologist-rated quality: results of a prospective quality improvement project Good practice for radiological reporting. Guidelines from the European Society of Radiology (ESR) Impact of a structured report template on the quality of CT and MRI reports for hepatocellular carcinoma diagnosis State of integration between PACS and other IT systems: a national survey of academic radiology departments Electronic health record-drivenWorkflowfordiagnosticradiologists Risk stratification for ECMO requirement in COVID-19 ICU patients using quantitative imaging features in CT scans on admission Strukturierte Befundung in der Radiologie ESR paper on structured reporting in radiology Lung-RADS: pushing the limits Reporting initiative of the radiological society of North America: progress and new directions Structured reporting of rectal magnetic resonance imaging in suspected primary rectal cancer: potential benefits for surgical planning and interdisciplinary communication PI-RADS steering committee: the PI-RADS multiparametric MRI and MRI-directed biopsy pathway Big data, artificial intelligence, and structured reporting Structured reporting in clinical routine Structured reporting of multiphasic CT for hepatocellular carcinoma: effect on staging and suitability for transplant Structured reporting of CT examinations in acute pulmonary embolism Impact of a structured report template on the quality of mri reports for rectal cancer staging Structured reporting adds clinical value in primary CT staging of diffuse large B-cell lymphoma Improving communication of diagnostic radiology findings through structured reporting Strukturierte Befundung in der Radiologie -Chance für die radiologische Jugend? Radiological society of North America expert consensus document on reporting chest CT findings related to COVID-19: endorsed by the Society of Thoracic Radiology, the American College of Radiology, and RSNA. Radiol Cardiothorac Imaging 2:e200152 Structured reporting: patient care enhancement or productivity nightmare? Structured reporting of CT enterography for inflammatory bowel disease: effect on key feature reporting, accuracy across training levels, and subjective assessment of disease by referring physicians College of Radiology https:// www.acr.org/Clinical-Resources/Reporting-and-Data-Systems/PI-RADS. Zugegriffen: 1 Lung Rads | American College of Radiology https:// www.acr.org/Clinical-Resources/Reporting-and-Data-Systems/Lung-Rads