gms | German Medical Science

Komplexe Interventionen – Entwicklung durch Austausch: 13. Jahrestagung des Deutschen Netzwerks Evidenzbasierte Medizin

Deutsches Netzwerk Evidenzbasierte Medizin e. V.

15.03. - 17.03.2012, Hamburg

Einsatzmöglichkeiten für Künstliche Intelligenz bei seltenen Erkrankungen. Kann die Diagnostik durch Verfahren der künstlichen Intelligenz und Fragebögen sinnvoll unterstützt werden?

Meeting Abstract

Suche in Medline nach

  • corresponding author Lorenz Grigull - Medizinische Hochschule Hannover, Kinderklinik, Pädiatrische Hämatologie und Onkologie, Hannover, Deutschland
  • Ulrike Schumacher - DRK Clementinen Krankenhaus, Hannover, Deutschland
  • Werner Lechner - Data Mining Consulting, Donauwörth, Deutschland

Komplexe Interventionen – Entwicklung durch Austausch. 13. Jahrestagung des Deutschen Netzwerks Evidenzbasierte Medizin. Hamburg, 15.-17.03.2012. Düsseldorf: German Medical Science GMS Publishing House; 2012. Doc12ebm119

DOI: 10.3205/12ebm119, URN: urn:nbn:de:0183-12ebm1192

Veröffentlicht: 5. März 2012

© 2012 Grigull et al.
Dieser Artikel ist ein Open Access-Artikel und steht unter den Creative Commons Lizenzbedingungen (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.de). Er darf vervielfältigt, verbreitet und öffentlich zugänglich gemacht werden, vorausgesetzt dass Autor und Quelle genannt werden.


Gliederung

Text

Hintergrund: Patienten mit seltener Erkrankung (SE) werden regelmäßig erst nach einer erheblichen Latenz diagnostiziert. Ursächlich hierfür scheint einerseits die „Seltenheit“ zu sein, zudem finden sich oft nur unspezifische Symptome. Andererseits ist die Summe der Zeichen und Symptomen bei Betroffenen geradezu diagnostisch wegweisend, und werden dennoch alltäglich übersehen. Wir erarbeiten daher Verfahren, um die Diagnostik ausgesuchter SE mittels Fragebögen durch den kombinierten Einsatz hybrider mathematischer Verfahren (Data Mining (DM) Anwendungen) zu verbessern.

Methoden: Über leitfadengestützte Interviews mit Betroffenen zur prädiagnostischen Phase wird deren Erfahrungswissen exploriert. Daraus wird ein Fragebogen für diesen Erfahrungszeitraum generiert und von einer größeren Anzahl Betroffener validiert und beantwortet. Anhand der Antworten erfolgt die Programmierung der DM Verfahren, so dass Menschen ohne Diagnose (während ihrer prädiagnostischen Phase) anhand des Antwortmusters von dem Diagnosewerkzeug erkannt bzw. einer Diagnose (-gruppe) zugeordnet werden können. Hierbei setzen wir eine Kombination von 4 hybriden DM Verfahren (Support Vektor Verfahren, Voting-Verfahren, neuronale Netze und Fuzzy Logik) ein.

Ergebnisse: Bei Krankheiten bei Kindern in der Notfall-Sprechstunde wurde in Voruntersuchungen von den kombinierten DM Verfahren in bis zu 94% der Fälle die richtige Diagnose gestellt. Für die hier vorgestellte Fragebogen basierte diagnostische Unterstützung bei seltenen Muskelerkrankungen (z.B. M. Pompe) oder Lungenerkrankungen (z.B. Ziliendyskinesie) zeigten sich in den Interviews hilfreiche Schilderungen von Erfahrungswissen, welches so erstmalig in Fragebögen einfließen und diagnostisch unterstützend wirken kann.

Diskussion: Bei den SE scheinen Patientenerfahrungen prädestiniert, um durch intelligente Nutzung derselben die prädiagnostische Phase zu verkürzen. Kombinierte DM Verfahren machen diese Informationen nutzbar. Eine unterstützende Funktion für den Arzt (cave: seltene Erkrankung erwägen und weitere Diagnostik veranlassen) ist denkbar. Ebenso erscheint es möglich, dass ein so konzipiertes Werkzeug das Selbstmanagement informierter Patienten sinnvoll unterstützt. Über die ideale Verortung eines Diagnose-unterstützenden Werkzeuges muss interdisziplinär diskutiert werden.