Im Jahr 2015 erschien die erste Fassung der S2e-Leitlinie zur Rehabilitation der Mobilität nach Schlaganfall (ReMoS). Heute, fast vier Jahre später, gelingt die Implementierung in die klinische Praxis weiterhin nur schleppend. Für Praktiker scheint es schwierig zu sein, aus rund 150 Seiten Fließtext mit über 250 abstrakt formulierten Empfehlungen relevante Kernaussagen für die tägliche Praxis zu entnehmen. Somit stellt sich die Frage, wie derart schwachstrukturierte Daten aufbereitet werden können und müssen, um Einzug in die klinische Praxis zu halten.

Ziel des Mitte letzten Jahres begonnenen Projektes „ReMoS-Mining“ war es, die als Fließtext vorliegende ReMoS-Leitlinie performant zu verarbeiten, um das darin enthaltene Wissen in komprimierter Form einer breiteren Masse zugänglich zu machen.

Mithilfe eines Bündels von zum Teil Algorith­mus-basierten Analyseverfahren wurden zunächst Bedeutungsstrukturen aus den Textdaten der Leit­linie exzerpiert und zu zentralen Kernaussagen und Empfehlungen zusammengefasst. Der Doku­mentaufbereitung folgte die eigent­liche Inhalts­verwertung, die Methoden der Klassi­­fi­kation, Segmentierung oder Abhängigkeitsanalyse um­fasste. Das Bestreben war es, die Inhalte je nach Problem­stellung bzw. Zielsetzung zusammenzu­fassen, zu gruppieren und hinsichtlich Aussagekraft und Em­pfehlungsgrad zu analysieren. Die relationale Strukturierung in einer Datenmatrix erlaubte weiterführende quantitative und qualitative Analy­sen sowie die Anwendung dedizierter Filterlogik zur Selektierung von Informationseinheiten.

Die Bearbeitung und Analyse erfolgte mit der Statistiksoftware R und gängigen dafür online ab­­rufbaren Paketen. R, als ein bekanntermaßen mächtiges Werkzeug zur statistischen Analyse und Auswertung strukturierter Daten, erwies sich in diesem Zusammenhang als ebenso geeignetes Instrument zur Verarbeitung in schwachstrukturierter Form vorliegender textueller Daten.

Eine Auskoppelung aus dem ReMoS-Mining-Projekt ist Stand heute eine dynamische Web-App­likation, die die Inhalte der Leitlinie in konzentrier­ter Form wiedergibt und darüber hinaus die Ergebnisse explorativer Datenanalysen widerspiegelt, die auch den Lesern des Volltextes verborgen bleiben.

Das Ziel in unter zehn Sekunden an klinisch relevante Leitlinieninformationen zu gelangen, die den Forschungskörper der Rehabilitation der Mobilität nach Schlaganfall prägnant zusammenfassen, scheint erreicht. Nun muss sich zeigen, ob und inwiefern die Bemühungen Früchte tragen. Das Projekt steckt aber noch in den Kinderschuhen. Die Applikation soll sich langfristig zu einem Werkzeug weiterentwickeln, das die klinische Entscheidungsfindung für eine evidenzbasierte Reha­­bilitation der Mobilität nach einem Schlaganfall bestmöglich unterstützt und neben den Leitlinienempfehlungen auf Grundlage spezieller Algorithmen auch konkrete Übungs- und Therapievorschläge generiert.

Kurz erklärt: Text Mining beschäftigt sich mit der Verarbeitung und Analyse von Textdaten, um mittels linguistischer und statistischer Verfahren Muster und unbekannte Informationen aus Dokumenten oder natürlich-sprachlichen Quellen zu erschließen und für Nutzer aufzubereiten. Die automatisierte Verarbeitung von Textdaten ist nicht trivial, da sie unstrukturiert und hochdimensional sind. Dies hat zur Folge, dass die Textdaten im Prozess zunächst strukturiert und die dimensionalen Ausprägungen reduziert werden müssen. Hierfür werden in der Regel Methoden der Textnormalisierung und der Dimensionsreduzierung angewendet. Um Textdaten analysieren zu können, müssen diese im zweiten Schritt in eine Dokumentenmatrix transformiert werden. Aus dieser werden Vektoren erzeugt, mit denen Ähnlichkeiten berechnet werden. Dadurch lassen sich die Daten in einem dritten Schritt clustern und klassifizieren, um Themen, Gruppierungen oder Muster erkennen zu können. Im letzten Schritt, dem Data Mining, werden die Daten analysiert und visuell aufbereitet. Die daraus gewonnenen Erkenntnisse, Datenzusammenhänge oder Muster können anschließend für weitere Zwecke verwendet werden.