Papierformulare zu FHIR: KI-gestützte Konvertierung

Einleitung: Die anhaltende Herausforderung der medizinischen Dokumentation

Trotz des heutigen fortschrittlichen medizinischen Technologieniveaus sind viele Gesundheitseinrichtungen nach wie vor stark auf Papierformulare für Patienteninformationen angewiesen. Dieser fortgesetzte Einsatz von Papier verursacht erhebliche Probleme. Er erzeugt Verzögerungen zwischen der Erfassung von Informationen und deren Einpflege in digitale Systeme, führt zu Fehlern bei der manuellen Dateneingabe durch das Personal und verlangsamt generell den Ablauf der Patientenversorgung. Entscheidend ist, dass all dieser Papierkram wertvolle Zeit der Kliniker in Anspruch nimmt, die eigentlich für die Patientenbetreuung genutzt werden sollte, was zu Burnout beiträgt und die Qualität der Versorgung beeinträchtigt.

Aufgrund dieser Nachteile bewegt sich das Gesundheitswesen langsam in Richtung papierloser Methoden. Elektronische Formulare oder digitale medizinische Formulare sind die naheliegende Lösung. Sie bieten eine moderne, effiziente Möglichkeit, Patientendaten zu verwalten, und adressieren langjährige Probleme in Bezug auf Genauigkeit, Speicherung, Sicherheit und einfachen Zugriff auf wichtige Informationen.

Die Lösung dieses anhaltenden Papierproblems erfordert praktische, praxisnahe Lösungen, die dem Gesundheitswesen bei der Digitalisierung helfen. Während Aidbox Forms seit Langem Werkzeuge zur Erstellung und Verwaltung digitaler Formulare bereitstellt, stellte die Konvertierung umfangreicher Archive bestehender papier- oder PDF-basierter Formulare für viele Organisationen nach wie vor eine erhebliche Hürde dar.

Einführung des KI-Toolkits: Erweiterung von Aidbox Forms für die PDF-zu-FHIR-Konvertierung

Um die Herausforderung der Digitalisierung von Legacy-Medizinformularen zu bewältigen, hat das Aidbox Forms-Team eine neue KI-gestützte Funktion entwickelt. Diese KI-Engine ist unsere dedizierte Lösung für die Konvertierung von Legacy-Medizinformular-PDFs in digitale Formulare auf Basis interoperabler FHIR Structured Data Capture (SDC) Questionnaires.

Die Kernfunktion dieser neuen KI-Engine besteht darin, diverse medizinische Formular-PDFs zu analysieren und die entsprechenden FHIR-SDC-Ressourcen automatisch zu generieren. Sie integriert mehrere KI-Technologien in einen mehrstufigen Workflow, der speziell für diese Konvertierungsaufgabe entwickelt wurde:

• Eingabeanalyse: Die Engine verarbeitet vom Benutzer hochgeladene PDFs und unterscheidet zwischen digital nativen Formaten und eingescannten Papierdokumenten, um die Verarbeitung entsprechend anzupassen.
• Layout- und Inhaltsextraktion: Fortschrittliche optische Zeichenerkennung (OCR) analysiert die visuelle Struktur, extrahiert Text, identifiziert potenzielle Felder und Beschriftungen, die für das Verständnis des Formularlayouts wesentlich sind.
• Intelligente Strukturierung: Machine-Learning-Modelle interpretieren die extrahierten Informationen, klassifizieren Elemente nach Feldtypen (Texteingaben, Kontrollkästchen usw.) und ordnen das visuelle Layout einer vorläufigen logischen Formularstruktur zu.
• Semantische Interpretation und FHIR-Generierung: Große Sprachmodelle (LLMs) verarbeiten dann diese strukturierten Daten, verstehen die Anweisungen und Logik des Formulars (einschließlich bedingter Pfade) und nutzen eingebettetes Wissen über Healthcare-Standards, um den FHIR-SDC-Questionnaire im JSON-Format zu generieren.
• Verifikationsunterstützung: In Anerkennung der Bedeutung klinischer Genauigkeit gibt die Engine den Entwurf des FHIR-Questionnaire zusammen mit Werkzeugen aus, die die notwendige menschliche Überprüfung erleichtern, wobei KI eingesetzt wird, um Bereiche hervorzuheben, die wahrscheinlich Aufmerksamkeit erfordern.

Dieser KI-gestützte Workflow bildet den Kernmechanismus dieser neuen Aidbox Forms-Funktion, die speziell dafür entwickelt wurde, die komplexe Aufgabe der Konvertierung von Legacy-Dokumenten in ein modernes, standardisiertes digitales Format zu automatisieren. Die Umsetzung dieser gezielten Fähigkeit vom Konzept zu einem robusten, produktionsreifen Feature erforderte jedoch die Bewältigung zahlreicher realer technischer Hürden, die uns direkt in die praktischen Komplexitäten der Implementierung führten.

Vom Konzept zur Praxis: Eine reale Implementierungsreise

Auch wenn der übergeordnete Prozess unkompliziert erscheinen mag, ist der Weg zur Digitalisierung von Medizinformularen mithilfe von KI mit realen Komplexitäten gepflastert. Unser Implementierungsteam stand vor einer klaren, aber anspruchsvollen Aufgabe: eine breite Palette bestehender Patientenaufnahme- und klinischer Formulare, die von medizinischen Einrichtungen als PDF-Dokumente eingereicht wurden, in standardisierte, interoperable digitale Ressourcen auf Basis des FHIR Structured Data Capture (SDC) Questionnaire-Formats zu konvertieren.

Phase 1: Kategorisierung des Quellmaterials

Der erste Schritt umfasste die Analyse der eingereichten PDFs. Diese Dokumente fielen in zwei allgemeine Typen:

• Digital generierte PDFs, erstellt mit Formulartechnologien wie AcroForms, XFA (XML Forms Architecture) und PDF/A-Varianten.
• Eingescannte Papierformulare, als PDFs gespeichert, die nur Rasterbilder gedruckter Dokumente enthielten.

Wir konzentrierten uns zunächst auf die digitalen PDFs, da wir davon ausgingen, dass es einfacher wäre, Formularstruktur, Metadaten und interaktive Felder durch direktes Parsen des PDF-Inhalts programmatisch zu extrahieren.

Phase 2: Konfrontation mit der Komplexität der PDF-Standards

Diese Annahme wurde schnell in Frage gestellt. Das Parsen und Interpretieren der verschiedenen PDF-Standards erwies sich als weit komplexer als erwartet. Jedes Format – AcroForms, XFA, PDF/A – wies einzigartige Strukturen, Tooling-Eigenheiten und Kompatibilitätsprobleme auf:

• AcroForms fehlte häufig ein umfangreicher semantischer Kontext für Felder.
• XFA-Formulare litten trotz ihres potenziellen Reichtums unter inkonsistenter Unterstützung durch Bibliotheken und Viewer.
• PDF/A-Dokumente, die für die Langzeitarchivierung konzipiert sind, verfügen häufig nicht über die dynamische Formularinteraktivität, die für eine zuverlässige Metadatenextraktion benötigt wird.

Der Versuch, einen universellen Parser zu entwickeln, der robust genug ist, um alle Randfälle zu bewältigen, hätte einen nicht tragbaren Engineering-Aufwand erfordert.

Phase 3: Einführung von LLMs in die Pipeline

Nachdem wir die Grenzen des traditionellen Parsens erkannt hatten, schwenkten wir auf KI-gestützte Ansätze um, die speziell zur Dokumentenanalyse befähigt sind. Unser erster Versuch nutzte DocLLM, ein Modell, das für das Verständnis von Dokumentenlayout und -inhalt trainiert wurde. Die Ergebnisse waren jedoch enttäuschend.

Während DocLLM grundlegende visuelle Layoutelemente identifizieren konnte – wie Abschnitte, Beschriftungen und Feldgruppen –, hatte es Schwierigkeiten mit dem tieferen semantischen Verständnis, das für medizinische Formularfelder, bedingte Logik (z. B. „Falls ja, beantworten Sie Frage 5") und die genaue Zuordnung zu FHIR-spezifischen Datenstrukturen erforderlich ist.

Phase 4: Einsatz generativer KI mit FHIR-Wissen

Der Durchbruch kam, als wir zu universellen generativen KI-Tools wie ChatGPT und Google Gemini wechselten. Diese Modelle verfügen nicht nur über breite Sprachfähigkeiten, sondern auch über umfangreiches integriertes Wissen über Healthcare-Standards, insbesondere FHIR und seine SDC-Questionnaire-Ressource. Entscheidend ist, dass sie auch fortschrittliche Dokumentenverständnisfähigkeiten bieten, die es uns ermöglichten, PDF-Seiten als Bilder direkt in den Prompt einzuspeisen.

Unsere ersten Experimente verwendeten einen einfachen Prompt:

„Generate a FHIR SDC Questionnaire from these document pages."

Dies lieferte vielversprechende Ergebnisse, erforderte jedoch erhebliche Verfeinerung. Die Modelle konnten Formularfelder interpretieren und JSON-Ausgaben generieren. Die generierten Questionnaires wiesen jedoch häufig keine vollständige Übereinstimmung mit dem Originalformular auf – bedingte Logik fehlte, Feldtypen wurden falsch interpretiert, oder die beabsichtigte strukturelle Hierarchie (z. B. verschachtelte Fragegruppen) wurde nicht erfasst.

Es war klar, dass wir auf dem richtigen Weg waren, aber weitere Verfeinerung erforderlich war, um eine konsistente Genauigkeit auf Produktionsniveau zu erreichen.

Phase 5: Skalierung des Ansatzes und Überwindung von Token-Limits

Durch iterative Prompt-Verfeinerung begannen wir, konsistente und hinreichend genaue FHIR-SDC-Questionnaire-Ausgaben zu erzielen – oft mithilfe von Zero-Shot-Prompts ohne komplexe Beispiele. Dies markierte einen erheblichen Effizienzgewinn.

Als wir jedoch auf die Verarbeitung größerer, mehrseitiger Formulare mit dichten Layouts skalierten, stießen wir auf ein hartnäckiges Hindernis: die Ausgabe-Token-Limits der KI. Bei der Generierung der vollständigen FHIR-SDC-Questionnaire-JSON-Ressource wurde die Ausgabe häufig abgeschnitten, da sie den maximalen Token-Schwellenwert des Modells erreichte. Dies führte zu unvollständigem, ungültigem JSON, das mitten in einer Felddefinition oder innerhalb einer verschachtelten Struktur abbrach.

Unsere vorübergehende Lösung bestand darin, das partielle JSON bis zum letzten gültigen Element zu parsen, das unvollständige abschließende Fragment zu verwerfen und eine syntaktisch gültige (wenn auch unvollständige) Questionnaire-Ressource zu rekonstruieren. Obwohl dies einige verwendbare Ausgaben rettete, fehlten bei längeren Formularen häufig die letzten Fragen, und es entstand ein erheblicher Mehraufwand bei der Qualitätssicherung und manuellen Nachbearbeitung. Dieses Problem machte deutlich, dass wir eine robustere Lösung für die Handhabung großer Ausgaben benötigen.

Phase 6: Prompt-Chaining und die Herausforderungen der Kontinuität

Um den Token-Limits zu begegnen, implementierten wir eine Prompt-Chaining-Strategie. Wenn die Ausgabe des Modells abgeschnitten wurde, stellten wir die Anfrage erneut und lieferten das letzte unvollständige JSON-Fragment mit der Anweisung, fortzufahren:

„Continue generating the JSON output, maintaining strict JSON syntax. Do not repeat previous elements."

Wir konkatenierten dann die Fragmente. Theoretisch hätte dies reibungslos funktionieren sollen.

In der Praxis erwies sich die Aufrechterhaltung der Kontinuität jedoch als schwierig. Mehrere Probleme traten auf:

• Überflüssige Zeilenumbrüche: Geringfügige Syntaxfehler, die durch zusätzliche Zeilenumbrüche am Anfang von Fortsetzungsantworten verursacht wurden.
• Verlust des Kontexts und Strukturduplizierung: Ein schwerwiegenderes Problem, bei dem das Modell den Überblick über die vorherige Struktur verlor, insbesondere wenn der Abbruch mitten in einem String oder innerhalb verschachtelter Objekte erfolgte. Es konnte einen neuen Abschnitt beginnen, Felder duplizieren oder Klammern falsch zuordnen.

Diese Inkonsistenzen führten häufig zu nicht parsebare oder semantisch inkorrekten Ausgaben. Das bloße „Weitermachen" des LLMs bei komplexen strukturierten Daten wie JSON erwies sich als unzuverlässig.

Phase 7: Die KI als eigene Zusammenfügungs-Engine

Der abschließende Durchbruch kam durch den Einsatz des LLMs selbst, um partielle JSON-Fragmente korrekt zusammenzufügen. Statt manueller Konkatenation oder komplexer Parsing-Logik gaben wir dem LLM eine „Reparaturaufgabe" als Prompt:

Prompt:

„Correctly concatenate these two partial JSONs to make one single syntactically correct partial JSON.

These JSONs represent a FHIR SDC Questionnaire resource. The second JSON may include overlapping data at the beginning with the first one.

You are not allowed to change the beginning of the first JSON and the ending of the second. You output only JSON without any additional text."

Wir stellten die letzten ~10 Zeilen des ersten abgeschnittenen Fragments und die ersten ~10 Zeilen des zweiten Fragments bereit, einschließlich überlappender Inhalte. Der Algorithmus lässt sich durch folgenden Pseudocode darstellen: Die Ergebnisse waren bemerkenswert präzise:

• Das Modell respektierte sowohl die Syntax als auch die semantische Struktur des FHIR-SDC-Questionnaire.
• Überlappende Inhalte wurden intelligent erkannt und dedupliziert.
• Das generierte Verbindungsfragment konnte nahtlos zwischen die gekürzten Teile eingefügt werden.

Dieser Ansatz schuf effektiv eine robuste, skalierbare JSON-Streaming-Methode, die vollständig durch Prompt-Logik betrieben wird. Er ermöglichte es uns, Ausgabe-Token-Limits zu umgehen und zuverlässig vollständige, gültige FHIR-SDC-Questionnaires für große, komplexe PDF-Formulare zu generieren – ohne manuelles Zusammenfügen oder fehleranfällige Nachverarbeitung.

Fazit: Mit KI in der Gesundheitsdokumentation vorwärtsgehen

Die Konvertierung von Legacy-Papier-Medizinformularen in strukturierte digitale Formate wie FHIR-SDC-Questionnaires ist eine komplexe Aufgabe, birgt jedoch enormes Potenzial. Unsere Erfahrung beim Aufbau dieser KI-gesteuerten Funktion für Aidbox Forms hat uns gezeigt, dass leistungsstarke Modelle allein nicht ausreichen. Der Erfolg ergibt sich aus der Gestaltung der richtigen Prompts, dem Umgang mit Randfällen und dem Aufbau von Workflows, die mit den Einschränkungen der aktuellen KI arbeiten.

Wir mussten Herausforderungen rund um inkonsistente PDF-Formate, Token-Limits und die Aufrechterhaltung struktureller Kontinuität bei großen Ausgaben lösen. Dabei entwickelten wir spezifische Techniken – wie den Einsatz der KI zum präzisen Zusammenfügen partieller Ausgaben –, die aus einem fragilen Prozess ein robustes System machten.

Diese Lösung kann nun zuverlässig komplexe, mehrseitige PDF-Formulare verarbeiten und vollständige, verwendbare FHIR-Questionnaires automatisch generieren. Das Ergebnis sind schnellere, genauere Dokumentations-Workflows, die die Papierlast für Kliniker reduzieren und die Qualität der Patientendaten verbessern.

Unsere Erfahrung zeigt die entscheidende Rolle, die KI bei der Transformation der Gesundheitsdokumentation spielen kann – und weist auf eine Zukunft hin, in der intelligente, vernetzte digitale Tools Klinikern dabei helfen, bessere Versorgung zu leisten.

Möchten Sie sehen, wie das in der Praxis funktioniert? Schauen Sie sich ein reales Beispiel an, bei dem ein komplexes Medizinformular – wie eine Risikobewertung – mithilfe von KI in einen strukturierten FHIR-Questionnaire konvertiert wird. Sehen Sie sich das Video an: Wie KI die Konvertierung von Papierformularen in digitale Formate beschleunigt. Wenn Sie bereit sind, die Plattform zu erkunden: Besuchen Sie aidbox.app und probieren Sie Aidbox Forms selbst aus.