25wdhno33 10.3205/25wdhno33 urn:nbn:de:0183-25wdhno339 Meeting Abstract Mitze Mitze Franz F

Klinik für Hals-Nasen-Ohrenheilkunde, Kopf- u. Halschirurgie, Universität Witten/Herdecke, Katholisches Krankenhaus Hagen, Hagen, Deutschland

franz.mitze@uni-wh.de author Eichhorn Eichhorn Sabine S

Klinik für Hals-Nasen-Ohrenheilkunde, Kopf- u. Halschirurgie, Universität Witten/Herdecke, Katholisches Krankenhaus Hagen, Hagen, Deutschland

sabine.eichhorn@uni-wh.de author Wagner Wagner Fritz F

Klinik für Hals-Nasen-Ohrenheilkunde, Kopf- u. Halschirurgie, Universität Witten/Herdecke, Katholisches Krankenhaus Hagen, Hagen, Deutschland

fritz.wagner@uni-wh.de author Stöckert Stöckert Anne A

Klinik für Hals-Nasen-Ohrenheilkunde, Kopf- u. Halschirurgie, Universität Witten/Herdecke, Katholisches Krankenhaus Hagen, Hagen, Deutschland

anne.stoeckert@uni-wh.de author Park Park Jonas J.-H. JHH

Klinik für Hals-Nasen-Ohrenheilkunde, Kopf- u. Halschirurgie, Universität Witten/Herdecke, Katholisches Krankenhaus Hagen, Hagen, Deutschland

jonas.park@uni-wh.de author German Medical Science GMS Publishing House

Düsseldorf

610 20250306 germ This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). M0606 33 Vereinigung Westdeutscher HNO-Ärzte Jahrestagung der Vereinigung Westdeutscher Hals-Nasen-Ohren-Ärzte Abstracts Solingen 20250307 20250308 33 TextEinleitung: Die Digitalisierung der Medizin in Kombination mit wachsender Rechenleistung und kostengünstigen Speichermöglichkeiten schafft neue Potenziale für die Nutzung KI-gestützter Algorithmen in der Analyse von Big Data aus elektronischen Patientenakten. Ziel dieser Studie war es, die Repräsentativität eines maschinellen Lernens (ML)-basierten Datennetzwerks zu bewerten. Hierzu wurden Basisdaten dieses ML-Datennetzwerks mit öffentlich zugänglichen Daten des Statistischen Bundesamtes (DESTATIS) verglichen, um die wissenschaftliche Validität des Netzwerks für künftige epidemiologische Analysen zu prüfen.Methoden: In einer retrospektiven Sekundäranalyse wurden 8.106.105 anonymisierte Datensätze aus dem ML-basierten Netzwerk und die entsprechenden Daten von DESTATIS auf Alter, Geschlecht, Krankenhausverweildauer sowie allgemeinen und HNO-spezifischen ICD-10- und OPS-Codes untersucht. Darüber hinaus erfolgte ein Vergleich von ICD-10-Codes im Zusammenhang mit Substanzmissbrauch sowie eine Analyse der regionalen Verteilung zur Prüfung sozioökonomischer Einflussfaktoren.Ergebnisse: Die Analyse zeigte eine hohe Übereinstimmung zwischen den Variablen Alter, Geschlecht, Verweildauer, den häufigsten allgemeinen ICD-10- und OPS-Codes sowie den HNO-spezifischen OPS-Codes innerhalb vorab definierter Toleranzbereiche. Unter den häufigsten HNO-spezifischen ICD-10-Codes zeigten 2 von 11 Codes eine Abweichung von maximal 3,71 %. Die Untersuchung sozioökonomischer Einflussfaktoren und der regionalen Verteilung ergab keine relevanten Abweichungen zwischen den beiden Datensätzen.Diskussion: Die Ergebnisse weisen auf eine hohe Repräsentativität des ML-Datensatzes im Vergleich mit den DESTATIS-Daten hin. Dies unterstreicht die wissenschaftliche Validität des ML-basierten Datennetzwerks als Grundlage für zukünftige epidemiologische Analysen. Durch die Nutzung von Big Data können zukünftig Erkenntnisse generiert werden, die mit herkömmlichen Datensätzen bisher nicht zugänglich waren. 0 0 0 0