Fallstudie · Projekt
Mit Claude eine Forschungsdatenbank aufbauen
Dutzende Dateien aus Kohorten, Exporten und Registern, mehrere tausend Patienten: wie mit einem Orchestrator und Teilkompetenzen eine einzige, versionierte und pseudonymisierte Datenbank entstand und was jeder Vorfall gelehrt hat.
Idee
Welches Problem, in einem Satz?
Das Problem in einem Satz formulieren
„Wie viele Patienten haben wir mit diesem Phänotyp und diesem Datenelement?“ dauert eine Woche: Dutzende Dateien, jede mit ihrer eigenen Art, einen Patienten zu identifizieren, eigenen Einheiten und eigenen Lücken. Gebraucht wird keine weitere Tabelle, sondern eine einzige Datenbank, die in Minuten antwortet, nur mit Fallzahlen.
SchwierigkeitJedes Projekt hatte seine eigene Extraktion neu gebaut, mit Fallzahlen, die nie übereinstimmten.
LösungEine einzige Datenbank, nie eine Parallelbank; jeder neue Bedarf wird zu einer Abfrage auf dieser Datenbank.
Konzept
Was wird das Werkzeug sein, und was soll es tun?
Den Rahmen vor der ersten Codezeile schreiben
Rechtsgrundlage, Zustimmung des Datenschutzbeauftragten und der Abteilung für klinische Forschung, Ort, an dem die Verarbeitung mit KI zugelassen ist, wer über das Einfrieren entscheidet. Dann die Arbeitsregel: Die KI arbeitet nur mit der pseudonymisierten Datenbank; der Tresor (Zuordnungsschlüssel und Originale) wird nur auf ausdrückliche Anfrage geöffnet, am Arbeitsplatzrechner.
!Keine identifizierenden Daten in der Unterhaltung: gezeigt werden Spaltennamen, Strukturen und Fallzahlen.
In Bausteine aufteilen statt eines Riesen-Skills
Ein Orchestrator „Datenbank“, der die gemeinsamen Regeln trägt (Pipeline, Index, Einfrieren, Veröffentlichung) und weiterleitet; getrennte Teilkompetenzen je Krankheit; ein einziger Abfragebaustein; ein Baustein je Register. Der Orchestrator übernimmt nie die Details.
Was Sie Claude sagen„Hier ist der Skill meiner Forschungsdatenbank. Finde heraus, was zu den gemeinsamen Regeln gehört und was zu einer Krankheit oder einem Register, und schlage eine Aufteilung in Orchestrator und Teilkompetenzen vor, jeweils mit dem, was sie abdeckt und was sie ausschließt.“
SchwierigkeitDer Orchestrator war so weit gewachsen, dass er die Details jeder Krankheit erledigte: Er wurde unlesbar und widersprach sich selbst.
LösungIn Teilkompetenzen aufgeteilt; der Orchestrator behält nur die gemeinsamen Regeln und die Weiterleitung.
Umsetzung
Was bittet man Claude, in welcher Reihenfolge?
Ein Ritual zu Beginn jeder Sitzung
In jeder Sitzung liest Claude den Plan und das Protokoll und fasst den Stand in drei Zeilen zusammen: wo wir stehen, was blockiert, der nächste Schritt. Entsteht eine Regel, werden Skill, Plan und Protokoll im selben Durchgang aktualisiert, nicht „später“.
SchwierigkeitEine in einer Sitzung beschlossene Regel war in der nächsten vergessen.
LösungEine Regel existiert erst, wenn sie im selben Durchgang in Skill, Plan und Protokoll steht.
Quellen einzeln einbinden
Jede neue Quelle durchläuft eine Checkliste: wie sie einen Patienten identifiziert, welche Blätter Wörterbücher oder transponierte Tabellen sind, dann eine zweistufige Architektur (Einschluss, dann Anreicherung, die nie einen Patienten hinzufügt). Ausgangspunkt ist das Skript der ähnlichsten Kohorte; jeder Wert bleibt bis zu seiner Zelle zurückverfolgbar.
SchwierigkeitEinige Dutzend Scheinpatienten entstanden aus einem transponierten Blatt: Spaltenköpfe waren als Identitäten gelesen worden.
LösungTransponierte Blätter und Wörterbücher werden vor jedem Import erkannt, und die Prüfung „die Anreicherung fügt keinen Patienten hinzu“ läuft bei jedem Durchgang.
Patienten per Score zusammenführen
Fehlertolerante Identität, Geburtsdatum mit Toleranz, ein Bündel von Indizien; drei Schwellen (sicher, wahrscheinlich, zweifelhaft); Zweifelhaftes bleibt mit Begründung in der Datenbank. Ein Placebotest misst den Anteil zufälliger Verknüpfungen.
SchwierigkeitZwei verschiedene Personen wurden verschmolzen, weil sie dasselbe Geburtsdatum und einen ähnlichen Namen hatten.
LösungRegel „eindeutiges Geburtsdatum“ über den gesamten Bestand, Obergrenze für Verknüpfungen je Datensatz und monatliche Prüfung einer Stichprobe sicherer Verknüpfungen durch einen Menschen.
!Nie eine Verschmelzung aufgrund eines einzigen Merkmals.
Prüfung
Wie beweist man, dass es funktioniert?
Qualität prüfen, ohne das Signal zu ertränken
Ein Qualitätsbericht in fünf Gruppen, gebündelte Entscheidung über Abweichungen, dann ein nummerierter Stand mit Zeitstempel und eingefrorener Kopie. Eine Variable ohne Entscheidung wird nicht übernommen; eine inhaltliche Korrektur eröffnet eine neue Version.
SchwierigkeitMehrere tausend Warnungen beim ersten Durchlauf, die allermeisten falsch: Niemand las sie mehr.
LösungKeine Warnungen mehr auf Kennungen und keine Bereichsprüfungen bei 0/1-Variablen, gemischte Einheiten nur bei mindestens zwei Dateien mit deutlicher Häufung um den Faktor 10 vermutet, Vorzeichenkonventionen auf den Betrag zurückgeführt.
Die Abdeckung Jahr für Jahr prüfen
Drei Ebenen von Zahlen (erfasste Personen, mit Quelldatei, mit Messwerten in der Datenbank) und für jede Quelle ein Jahresaudit: Eine Untersuchung gilt als „verfügbar“, wenn sie mehrere Messwerte oder einen Befund enthält; Untersuchungen nur mit Datum zeigen die Lücken.
SchwierigkeitEin fast leeres Jahr wurde zunächst als Fehlen von Untersuchungen gelesen.
LösungEin identischer Neuexport bewies, dass die Lücke aus der Quelle stammte; seither wird eine Quellenlücke von einem gescheiterten Abgleich unterschieden, mit einer unabhängigen Nachzählung.
Inbetriebnahme
Wie ausliefern, veröffentlichen und am Leben halten?
Einen Bestand an Untersuchungen ohne klinische Daten als Methodenobjekt behandeln
Ein Bestand von mehreren tausend Untersuchungen ohne zugehörige klinische Daten wird weder verworfen noch in die Datenbank gemischt: Zuerst werden seine Spalten profiliert (Typen, Ausfüllraten, Wertebereiche), dann wird getrennt, was ohne Endpunkte veröffentlichbar ist (Beschreibung, Machbarkeit, Reproduzierbarkeit), und was eine Verknüpfung mit dem Vitalstatus erfordert, die einem eigenen Rahmen unterliegt.
!Keine klinische Fragestellung an diesen Bestand vor der Profilierung.
In Minuten antworten und jede Woche überwachen
Jede Patientenliste löst eine Längsschnittabfrage aus; ein Extraktionsauftrag erzeugt eine normierte, pseudonymisierte und protokollierte Arbeitsmappe; Statistikfelder zeigen ihre Grenzen und blenden kleine Fallzahlen aus. Ein wöchentlicher, nur lesender Wächter liefert ein Urteil OK, Warnung oder Fehler, verglichen mit dem vorherigen.
SchwierigkeitEine auf einem Netzlaufwerk geöffnete Datenbank war nach einem Verbindungsabbruch in einem inkonsistenten Zustand.
LösungDatenbank lokal kopiert, fortsetzbare Verarbeitungen, Schreibvorgänge nach dem Alles-oder-nichts-Prinzip mit Nachzählung, Veröffentlichung per geprüfter Kopie und anschließender Umschaltung.