gms | German Medical Science

Einleitung: ML-basierte medizinische Diagnostik- und Therapieunterstützungstools sind, im Gegensatz zu den Bilderkennungsanwendungen, noch nicht einsetzbar, da unvollständige Datensätze, sogenannte „noisy data“, im medizinischen Alltag ein relevantes Problem darstellen.

Im Rahmen einer prospektiven, diagnostischen, monozentrischen Machbarkeitsstudie sollen die Diagnose- und Therapievorschläge einer ML-basierten Software mit den Ergebnissen realen ärztlichen Handelns verglichen werden, um die aktuellen Möglichkeiten und Grenzen wahrscheinlichkeitsbasierter ML-Technologien im klinischen Alltag auszuloten.

Methoden: Anhand virtuell konstruierter Beispielfälle soll die prinzipielle technische Einsatzbereitschaft der angewandten ML-Software geprüft werden. Diese basiert auf der Konstruktion eines Bayes’schen Netzes mit Noisy-OR-Architektur und umfasst Einbettungswörterbücher, Neuronale Netzte und Entscheidungswälder.

Für konstruierte, virtuelle Beispielfälle wurden vorgegebenen Diagnosen entsprechende klinische Symptome zugeordnet. Anhand dieser Symptome wurden dann ML-basierte Diagnosen mit einer zugeordneten prozentualen Wahrscheinlichkeit generiert.

Ergebnisse: Bei den 18 geprüften, virtuellen Beispielfälle lag die Übereinstimmung für die wahrscheinlichste ML-basierte Diagnose bei 61%. Bei 16% der Fälle wurde die Diagnose zwar gestellt, allerdings nur mit einer Wahrscheinlichkeit <10%.

Diskussion: In ML-basierten Technologien liegt die Chance, unbekannte Korrelationen zu entdecken, kosteneffizientere Diagnostik- und Behandlungspfade zu etablieren, knappe personelle und materielle Ressourcen effektiver einzusetzen und damit zu einer relevanten Prozessoptimierung beizutragen.

Bei der unzureichenden Datengrundlage ist eine zufriedenstellende, ML-basierte Diagnosestellung bislang zwar nicht möglich, die technischen Voraussetzungen hierfür allerdings vorhanden. Um bessere Ergebnisse zu erzielen ist ein „Lernen“ an großen Datensätzen notwendig, die ersten Schritte hierfür sind getan.