gms | German Medical Science

Einleitung: Die Grafentheorie ist ein weit gefasstes Teilgebiet der Mathematik, das von unterschiedlichen Disziplinen wie der Physik, Mathematik, Soziologie, Informatik sowie der Populationsbiologie- und Molekularbiologie [1], [2] genutzt wird, um verschiedene Sachverhalte abzubilden und zu analysieren. Dementsprechend beinhaltet die Grafentheorie interdisziplinär etablierte Methoden und Algorithmen. Daher erscheint es sinnvoll, die Möglichkeit zu untersuchen, ob Methoden der Grafentheorie nutzbar gemacht werden können, um einzelne Krankheitsverläufe von Patienten darzustellen, zu vergleichen o.ä. In der wissenschaftlichen Literatur werden bislang nur vereinzelt Grafen zur Beschreibung individueller Patientenverläufe verwendet. Der vorliegende Beitrag schlägt daher ein Konzept vor, wie eine Darstellung von individuellen Patientendaten als Grafen anhand der zeitlichen Zusammenhänge der Daten und der Vergleich der Patientengrafen mit Algorithmen der Grafentheorie aussehen könnte. In einem ersten Test haben wir anhand des MIMIC-III-Datensatzes [3] geprüft, ob für die Zielgröße Sepsis, die Zahl der identifizierten ähnlichen Patienten mit Vorliegen einer Sepsis erhöht werden kann.

Methoden: Die Grundlage für die vorgestellte Methode bildet die Grafentheorie. Ein Ziel war dabei die Darstellung der Patientendaten in Grafen. Grafen bestehen aus Knoten(-punkten), die untereinander durch Kanten verbunden werden. Die Entwicklung eines solchen Grafen ist Teil der vorgestellten Methode. Diese Grafen werden anschließend miteinander verglichen, dazu kommt eine modifizierte Implementierung des Algorithmus „NetSimile“ [4] zum Einsatz. Die grundsätzliche Funktionalität der Kombination aus Darstellungsform und Algorithmus wurde überprüft, indem aus einer Teilmenge von 1000 Patienten des MIMIC-III-Datensatzes die durchschnittliche Menge ähnlicher Sepsispatienten (definiert durch gespeicherte Diagnose im MIMIC-III-Datensatzes) ausgehend von Sepsispatienten mit der durchschnittlichen Menge ähnlicher Sepsispatienten ausgehend von Nicht-Sepsispatienten verglichen wurde.

Ergebnisse: Für die Grafendarstellung der Daten eines Patienten wurde ein sternförmiges Netzwerk erzeugt, dessen Teilgrafen verzweigte Messpunkte innerhalb jedes Teilgrafen aufweisen. Als Datenbasis wurden die Labordaten und Chartevents (regelmäßige Messungen der Intensivstation) der MIMIC-III-Datenbank verwendet. Dabei wurde ein Patientenknoten als Ausgangspunkt mittig in jedes Netzwerkes gesetzt. Jeder Zweig, der vom zentralen Knoten abgeht, repräsentiert eine Messwertart, bei Laborwerten beispielsweise Chlorid und Natrium, bei Chartevents beispielsweise die Herzfrequenz. Innerhalb des Zweiges werden nun alle Messpunkte chronologisch verbunden, normale und anormale Messwerte werden unter sich zusätzlich chronologisch verbunden. Dadurch erhält man ein verzweigtes Netzwerk, das mit Strukturalgorithmen untersucht und mit anderen Patientengrafen verglichen werden kann. Für Laborwerte war dabei die Unterscheidung zwischen normalen und anormalen Messwerten durch die MIMIC-III-Datenbank gegeben, für die Chartevents wurde diese anhand eines von uns festgelegten Grenzwertes getroffen. Die Netzwerkstruktur der Daten ermöglichte es, Vergleichsalgorithmen der Grafentheorie anzuwenden und ein Patienten-Ähnlichkeitsmaß zur Entscheidungsunterstützung zu etablieren. Der Test auf grundsätzliche Funktionalität der Darstellungsform in Kombination mit der Algorithmusanwendung ergab dabei im Schnitt mehr ähnliche Sepsispatienten ausgehend von Sepsispatienten gegenüber der Anzahl gefundener Sepsispatienten ausgehend von Nicht-Sepsispatienten.

Diskussion: Es konnte anhand des MIMIC-III-Datensatzes gezeigt werden, dass individuelle Krankheitsverläufe durch Grafen modelliert und mit etablierten Verfahren der Grafentheorie verarbeitet werden können. Der Patientengrafenvergleich wurde im vorliegenden Beitrag anhand der Sepsis getestet. Ein Ziel wäre, dass die Gefahr einer Sepsis bei einem Patienten frühzeitig erkannt werden kann. Trotz des positiven Tests auf generelle Funktionalität sollte der Algorithmus weiter optimiert werden, um auch eine klinische Relevanz im Alltag zu prüfen. Auch sollte die Funktionsfähigkeit für andere Krankheitsbilder untersucht werden.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass kein Ethikvotum erforderlich ist.