gms | German Medical Science

HEC 2016: Health — Exploring Complexity
2016 Joint Conference of GMDS, DGEpi, IEA-EEF, EFMI

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V.
Deutsche Gesellschaft für Epidemiologie e. V.

28.08. - 02.09.2016, München

Implementierung eines Verfahrens für die Ermittlung von Vorschlägen für Diagnosen in einem Arztinformationssystem

Meeting Abstract

Search Medline for

  • Christian Schmidt - Hochschule Heilbronn, GECKO Institute for Medicine, Informatics & Economics, Heilbronn, Deutschland
  • Tibor Kesztyüs - Hochschule Ulm, Institut für Informatik, Ulm, Deutschland
  • Martin Haag - Hochschule Heilbronn, GECKO Institute for Medicine, Informatics & Economics, Heilbronn, Deutschland

HEC 2016: Health – Exploring Complexity. Joint Conference of GMDS, DGEpi, IEA-EEF, EFMI. München, 28.08.-02.09.2016. Düsseldorf: German Medical Science GMS Publishing House; 2016. DocAbstr. 220

doi: 10.3205/16gmds154, urn:nbn:de:0183-16gmds1541

Published: August 8, 2016

© 2016 Schmidt et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. See license information at http://creativecommons.org/licenses/by/4.0/.


Outline

Text

Einleitung und Fragestellung: Ein Praxisverwaltungssystem hilft dem Arzt bei der Dokumentation von Patientendaten in einer Arztpraxis. Ein wichtiger Punkt der Patientendokumentation ist die Diagnose, die der Arzt nach der Untersuchung des Patienten erhebt. Aus der Diagnose ergibt sich der weitere Verlauf der Therapie, wie die Verordnung von Medikamenten [1]. Deshalb wurde eine Methodik zur Ermittlung von Diagnosevorschlägen entwickelt, mit der Ärztinnen und Ärzte bei der schnellen Dokumentation unterstützt werden. Dabei spielt die Analyse von bestehenden Daten eine große Rolle. Der Ausgangspunkt ist hierbei die Patientendokumentation, die mit dem Bericht des Patienten über seine Beschwerden (Symptome) beginnt.

Methoden: Zur Lösung der Problemstellung bietet sich die Ermittlung von Ähnlichkeiten zwischen Patienten an. Für die Vorschlaglisten eignen sich schließlich die Diagnosen der ähnlichen Patienten. Ein wichtiges Kriterium, das auf die Diagnose hindeutet, und für die Ähnlichkeit somit von Bedeutung ist, sind die Symptome des Patienten. Zur Ermittlung von Ähnlichkeiten zwischen Objekten verwendet Amazon ein Verfahren, das sich nach grundsätzlichen Überlegungen auch für die Ermittlung zwischen Ähnlichkeiten von Patienten eignet [2]. Weitere Verfahren zur Bestimmung von Ähnlichkeiten bieten Klassifikationsverfahren. Objekte einer gemeinsamen Klasse weisen gemeinsame Eigenschaften auf, die sich von Objekten anderer Klassen unterscheiden [3]. Auch das Vektorraummodell, bei dem die Ähnlichkeit über Vektorabstände quantifiziert wird, eignet sich zur Lösung der o.g. Problemstellung [4].

Zur Evaluation werden die Dokumentationsdaten von 12 fiktiven Patienten verwendet. Die Dokumentationen stammen aus einer Demoversion der Arztsoftware Albis.

Ergebnisse: Bei den Patienten, die im System als Datenbasis für die Evaluation hinterlegt wurden, war unter anderem die Diagnose „G72.9 Myopathie, nicht näher bezeichnet“ (zweimal), „G73.4 Myopathie bei anderenorts klassifizierten infektiösen und parasitären Krankheiten“ (einmal) und die Diagnose ‘I51.5 Myokarddegeneration“ (einmal) samt dazugehöriger Anamnese vorhanden.

Für einen Patienten mit Symptomen von Myopathie, für den noch keine Diagnose vorliegt, wurde die Dokumentation hinterlegt. Zur Ermittlung der Diagnose wurde die Zeichenkette „myo“ eingetragen. Das System produzierte die Vorschlagsliste V = (G72.9, G73.4), mit den beiden häufigsten Diagnosen bei ähnlichen Patienten, sortiert nach der Häufigkeit.

Für einen weiteren Patient, bei dem noch keine Diagnose dokumentiert ist, wurden die Symptome von Myokarddegenerationen eingetragen. Zur Anzeige von Diagnosevorschlägen wurde auch die Zeichenkette „myo“ eingetragen. Bei diesem erscheint der Diagnosevorschlag I51.5.

Diskussion: Zur Anzeige von Diagnosevorschlägen während einer laufenden Eingabe kann der Arzt auf die statistischen Erfahrungswerte zurückgreifen, die von dem Modul bereitgestellt werden. Das Modul ist nicht dazu geeignet, Diagnosen mit genauer Sicherheit zu stellen. Es kann dem Arzt helfen zu bestätigen, dass seine Vermutung richtig ist bzw. dass die ähnlichen Patienten eine ähnlich benannte Krankheit haben. Dies kann dem Arzt eine Hilfe bei der Diagnostik sein, wenn die Diagnose mit Unsicherheit verbunden ist. Zur Evaluation wurde die Datenbasis von 12 Patientendokumentationen herangezogen. Es war im Rahmen dieser Arbeit nicht möglich, die Patientendokumentationen einer echten Arztpraxis zu verwenden. Diese unterliegen strengen Datenschutzbestimmungen. Weitere Evaluationen an einer größeren Datenbasis könnten durch Integration des Moduls in einen produktiven Betrieb erfolgen.


Literatur

1.
Thielscher C. Medizinökonomie. Band 2: Unternehmerische Praxis und Methodik. Volume 2. Springer; 2012.
2.
Linden GD. Collaborative recommendations using item-to-item similarity mappings. US Patent 6,266,649, 2012.
3.
Liu B. Web data mining. Springer; 2007.
4.
Berry MW. Matrices, vector spaces, and information retrieval. SIAM review. 1999;41(2):335-362.
5.
Salton G. A vector space model for automatic indexing. Communications of the ACM. 1975;18(11):613-620.