gms | German Medical Science

49. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds)
19. Jahrestagung der Schweizerischen Gesellschaft für Medizinische Informatik (SGMI)
Jahrestagung 2004 des Arbeitskreises Medizinische Informatik (ÖAKMI)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie
Schweizerische Gesellschaft für Medizinische Informatik (SGMI)

26. bis 30.09.2004, Innsbruck/Tirol

Influenza Vorhersage in Mecklenburg-Vorpommern

Meeting Abstract (gmds2004)

Search Medline for

  • corresponding author presenting/speaker Rainer Schmidt - Universität Rostock, Rostock, Deutschland
  • Lothar Gierl - Universität Rostock, Rostock, Deutschland

Kooperative Versorgung - Vernetzte Forschung - Ubiquitäre Information. 49. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds), 19. Jahrestagung der Schweizerischen Gesellschaft für Medizinische Informatik (SGMI) und Jahrestagung 2004 des Arbeitskreises Medizinische Informatik (ÖAKMI) der Österreichischen Computer Gesellschaft (OCG) und der Österreichischen Gesellschaft für Biomedizinische Technik (ÖGBMT). Innsbruck, 26.-30.09.2004. Düsseldorf, Köln: German Medical Science; 2004. Doc04gmds101

The electronic version of this article is the complete one and can be found online at: http://www.egms.de/en/meetings/gmds2004/04gmds101.shtml

Published: September 14, 2004

© 2004 Schmidt et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en). You are free: to Share – to copy, distribute and transmit the work, provided the original author and source are credited.


Outline

Text

Einleitung

Allgemeines Ziel unseres TeCoMed Projekts ist die Entwicklung von Methoden zur Entdeckung von sich bedrohlich ausbreitenden Infektionskrankheiten. Dabei gilt unser Augenmerk weniger importierten, z.T. spektakulären Krankheiten wie SARS, sondern vielmehr fast schon "klassischen" Infektionskrankheiten wie Salmonellen oder Influenza. Insbesondere zur Influenza Surveillance sind in den letzten Jahren in den meisten der großen Industriestaaten viele Anstrengungen unternommen worden. Dazu werden i.a. statistische Verfahren erprobt, die entweder Daten der Gesundheitsämter verwenden oder aber auf Daten eigener, speziell aufgebauter Surveillance-Netze aufbauen. Im Gegensatz dazu nutzen wir Daten der AOK Mecklenburg-Vorpommerns und haben für diese eine "temporale Case-Based Reasoning Methode" entwickelt.

Material

Überlegungen zur Influenza Surveillance beginnen mit der Frage nach der Datengrundlage. Da der Zugriff auf offizielle Daten aufgrund bürokratischer, hierarchischer Strukturen i.a. großen Zeitverzögerungen unterliegt, haben viele Influenza Surveillance Gruppen damit begonnen, eigene Influenza-Meldenetze aufzubauen, an denen sich Ärzte freiwillig beteiligen und i.a. wöchentliche Meldungen über den Anteil von Patienten mit akuten respiratorischen Erkrankungen abgeben. Die Nachteile dieser Netze bestehen in einem großen Aufwand des Aufbaus und der Pflege, einer häufigen Unterrepräsentation ländlicher Gebiete, und in der Subjektivität der Meldungen. So haben wir uns für eine andere Alternative entschieden. Seit Herbst 1997 erhalten wir regelmäßig Daten der AOK Mecklenburg-Vorpommerns. Dabei handelt es sich um Bescheinigungen zur Arbeitsunfähigkeit. Ein Vorteil dieser Daten ist ihre Aktualität. Es kommt nur zu geringfügigen Verzögerungen zwischen dem Ausstellen einer Bescheinigung der Arbeitsunfähigkeit und deren Eintreffen bei der AOK. Ein weiterer Vorteil besteht in der räumlichen Granularität der Daten: bis hinab auf die Ebene von Postleitzahlengebieten.

Methode

Viele Surveillance Gruppen verwenden statistische Methode, i.a. werden wöchentliche Mittelwerte vergangener Jahre berechnet und dann wird nach Abweichungen von vermeintlich "normalen" Situationen geschaut. Allerdings hat bereits Farrington darauf hingewiesen, dass derartige Verfahren bei Infektionskrankheiten versagen, bei denen - wie bei Influenza - unregelmäßige Schwankungen auftreten [1].

Statt statistischer Verfahren haben wir eine Methode entwickelt, die die Entwicklungen früherer Jahre wesentlich expliziter berücksichtigt. Dazu verbinden wir die Methode der Temporalen Abstraktion [2] mit der Idee der aus dem Bereich der Künstlichen Intelligenz stammenden Case-Based Reasoning Methode [3].

Zunächst werden wöchentliche Inzidenzen der letzten vier Wochen zu Trends abstrahiert. Mit den Parametern dieser Trendbeschreibungen wird sodann nach früheren, ähnlichen Fällen (Verläufen) gesucht. Nach einer Überprüfung hinsichtlich expliziter hinreichender Ähnlichkeit zwischen dem aktuellen vierwöchigen Verlauf und den früheren, ähnlichen vierwöchigen Verläufen erfolgt abschließend die Entscheidung darüber, ob in der aktuellen Woche eine Warnung vor einer beginnenden Influenzawelle angebracht ist. Diese Entscheidung erfolgt mit Hilfe der Methode der Compositional Adaptation [4].

Ergebnisse

Wir haben reihum eine der letzten fünf Influenzaperioden zur aktuell zu untersuchenden erklärt. Als Fallbasis haben wir für jeweils eine aktuelle Saison nacheinander alle möglichen Kombinationen der übrigen Perioden ausprobiert, also vier Tests mit nur einer anderen Periode als Fallbasis, sechs Tests mit zwei Perioden, vier Tests mit drei Perioden und einen Test mit allen vier Perioden. Die Ergebnisse sehen sehr gut aus. Es gab überhaupt keine Fehlwarnungen (Spezifität 100%) und sobald mindestens drei beliebige Perioden in der Fallbasis waren, wurden sämtliche gewünschte Warnungen erzeugt. Allerdings stellt sich auch bei retrospektiver Betrachtung das Problem, wann eine erstmalige Warnung vor einer drohenden Influenzawelle sinnvoll gewesen wäre. So haben wir in einem zweiten Test um mindestens eine Woche frühere erstmalige Warnzeitpunkte gewählt. Die Ergebnisse sind dann erwartungsgemäß etwas schlechter, aber immer noch sehr gut: Bei mindestens drei beliebigen früheren Perioden als Fallbasis ergibt sich eine Spezifität von 97% und eine Sensitivität von 80%.

Diskussion

Die von uns entwickelte Methode liefert sehr gute Resultate. Die verwendeten Daten haben den Vorteil großer Geschwindigkeit, allerdings den Nachteil einer gewissen Oberflächlichkeit (erste Verdachtsdiagnosen), die bei Influenza aber keine bedeutende Rolle spielt.


Literatur

1.
Farrington CP, Beale AD. The Detection of Outbreaks of Infectious Disease. In: Gierl L et al., Hrsg. International Workshop on Geomedical Systems. Stuttgart: Teubner; 1997: 97-117
2.
Shahar Y. A Framework for Knowledge-Based Temporal Abstraction. Artif Intel 1997; 90: 79-133
3.
Aamodt A, Plaza E. Case-Based Reasoning: Foundation Issues. Methodological Variation- and System Approaches. AI Communications 1994; 7 (1): 39-59
4.
Wilke W, Smyth B, Cunningham P. Using Configuration Techniques for Adaptation. In: Lenz M et al., Hrsg. Case-Based Reasoning Technology. Berlin: Springer; 1998:139-168