Nadeln in riesigen Heuhaufen finden: Einsatz von Text Mining zur Reduzierung des unpraktikablen Screening-Aufwands bei extrem großen Scoping Reviews

In Scoping Reviews können die Grenzen relevanter Evidenz anfangs unscharf sein, wobei eine verfeinerte konzeptionelle Verständigung von Interventionen und deren vorgeschlagenen Wirkmechanismen eher ein angestrebtes Ergebnis des Scoping-Prozesses als dessen Ausgangspunkt ist. Elektronische Suchvorgänge sind daher sensitiv und führen häufig zu sehr großen Datensätzen, deren vollständige Sichtung unpraktikabel ist. Dieser Artikel beschreibt Methoden zur Anwendung und Bewertung der Nutzung von Text Mining (TM)-Technologien, um den unpraktikablen Screening-Aufwand in Reviews zu reduzieren, anhand von Beispielen zweier extrem groß angelegter Scoping Reviews zu Public Health Evidenz (choice architecture (CA) und economic environment (EE)). Elektronische Suchvorgänge lieferten über 800.000 (CA) und über 1 Million (EE) Einträge. TM-Technologien wurden genutzt, um Einträge für das manuelle Screening zu priorisieren. Die Leistung von TM wurde prospektiv gemessen. TM reduzierte den manuellen Screening-Aufwand um 90 % (CA) und 88 % (EE) verglichen mit herkömmlichem Screening (absolute Reduktionen von ca. 430.000 (CA) und ca. 378.000 (EE) Einträgen). Diese Studie erweitert einen aufkommenden Korpus empirischer Evidenz zum Einsatz von TM zur Beschleunigung der Studienauswahl in Reviews. Indem der Screening-Aufwand auf handhabbare Größen reduziert wurde, ermöglichte TM den Aufbau und die Konfiguration großer, komplexer Evidenzbasen, die Forschungsdisziplin-Grenzen überschreiten. Diese Methoden sind auf andere Scoping- und systematische Reviews übertragbar, die konzeptionelle Entwicklungen oder erklärende Dimensionen integrieren.