ArchivDeutsches Ärzteblatt37/1996Entscheidungsunterstützung mit Computern: Automatisches Verfahren zur Datenauswertung

VARIA: Technik für den Arzt

Entscheidungsunterstützung mit Computern: Automatisches Verfahren zur Datenauswertung

Locher, Georg; Locher, Verena; Alexiadou-Rudolf, Chariklia

Als E-Mail versenden...
Auf facebook teilen...
Twittern...
Drucken...
LNSLNS Die durch zunehmende Computernutzung stark anwachsenden Datenmengen werden oft nicht erschöpfend genutzt. Den verbesserten Möglichkeiten zur Speicherung von Rohdaten steht häufig ein Mangel an geeigneter Software für ihre Auswertung gegenüber.


Der schnelle Zugriff auf viele einzelne Informationen ist mittels Datenbanken leicht möglich.
Krankengeschichten sind vor diesem Hintergrund eine wertvolle Quelle angesammelten Wissens, die in unterschiedlicher Weise genutzt werden kann. Analysen solcher Art werden dabei häufig im Rahmen von Studien und Forschungsprojekten "von Hand" vorgenommen, da es wenig geeignete Auswerteprogramme gibt. Hervorstechende Eigenschaften einer Datenauswertung von Hand sind unter anderen eine flexible, intuitive Konzentration auf das Wesentliche und die Fähigkeit, einen komplizierten Sachverhalt bewerten zu können. Die Entwicklungen auf dem Gebiet der "künstlichen Intelligenz" lassen sich in diesem Zusammenhang als Bestrebung auffassen, den Computer über die reine Zahlenverarbeitung hinaus auch zur "Wissensverarbeitung" heranzuziehen.


Lösungsweg am Beispiel
Ein einfaches Beispiel soll die automatisierte Datenauswertung im folgenden kurz vorstellen. Betrachtet wird eine Gruppe von acht Patienten, deren medizinische Daten in der Tabelle aufgeführt sind. Der Blutdruck wird halbquantitativ mit "hoch", "normal" oder "niedrig" eingeordnet, die Größe war unmittelbar meßbar, und der Patient kann entweder Raucher oder Nichtraucher sein, gekennzeichnet durch ein "Ja" oder "Nein" in der entsprechenden Spalte.
Mit Hilfe der Methode soll nun die Frage beantwortet werden, welche der aufgeführten Daten mit dem Krankheitsbild Angina pectoris eng verbunden sind. Im allgemeinen wird dies nicht nur ein einziges Kriterium sein, etwa: Wenn "der Blutdruck hoch ist", dann "leidet der Patient an Angina pectoris". Vielmehr ist zu erwarten, daß mehrere Faktoren gemeinsam erfüllt sein müssen, damit sich eine Krankheit entwickelt. Solche Verbindungen sind "Regeln", die in größeren Datensätzen automatisch mit Hilfe von Klassifizierungsbäumen gefunden werden können. Als wesentliches Kriterium identifizierte das Programm selbständig den Blutdruck. Das Einordnen aller Patienten dieser Gruppe anhand dieses Kriteriums erlaubt es bereits, 6 der 10 Patienten bezüglich ihrer Angina-pectoris-Symptomatik richtig einzuordnen: Alle Patienten mit hohem Blutdruck litten an Angina pectoris, während dies bei keinem der Patienten mit niedrigem Blutdruck zu beobachten war. Bei der Gruppe mit normalem Blutdruck wird jedoch automatisch noch ein weiteres Kriterium herangezogen; in diesem Fall ist es die Frage, ob der Patient Raucher ist. Unterteilt man die fragliche Gruppe mit normalem Blutdruck nämlich anhand dieses Kriteriums, sind sämtliche Patienten mit Angina pectoris von denen ohne Angina pectoris getrennt. Die Ergebnisse lassen sich in vier Regeln zusammenfassen: Regel 1: Wenn der Patient niedrigen Blutdruck hat, leidet er nicht unter Angina pectoris. Regel 2: Wenn der Patient hohen Blutdruck hat, leidet er unter Angina pectoris. Regel 3: Wenn der Patient normalen Blutdruck hat und raucht, leidet er unter Angina pectoris. Regel 4: Wenn der Patient normalen Blutdruck hat und nicht raucht, leidet er nicht unter Angina pectoris. Diese Regeln sind aufgrund der extrem kleinen Datenbasis stark verkürzt. In der Praxis werden sie deshalb zusätzlich statistisch bewertet, um Fehleinschätzungen auszuschließen. Die Methode der Erstellung von Klassifizierungsbäumen unterteilt die Patienten anhand eines Symptoms oder Meßwerts (zum Beispiel des Blutdrucks) in Untergruppen und überprüft dann, inwieweit in den Untergruppen eine Häufung der zu untersuchenden Krankheit zu verzeichnen ist. Je stärker diese Häufung ausfällt, desto stärker wird auch der entsprechende Meßwert mit der Krankheit in Beziehung stehen. Es entsteht eine baumartig verzweigte Struktur, deren Konstruktion erst dann abgeschlossen ist, wenn sämtliche Verzweigungen Gruppen von Patienten kennzeichnen, die die fragliche Krankheit entweder hatten oder aber nicht hatten. Ein Klassifizierungsbaum wird somit auf der Grundlage einer gegebenen Datenbasis erzeugt. Da seine Struktur durch die Eigenschaften der in der Datenbasis enthaltenen Daten bestimmt wird – sie also einem Anpassungsprozeß unterliegt –, lassen sich Klassifizierungsbäume als eine Methode zum maschinellen Lernen auffassen. Sie erlernen die Gesetzmäßigkeiten der entsprechenden Datenbank anhand verfügbarer Daten – also retrospektiv. Je genauer die "Wirklichkeit" dabei durch die Daten repräsentiert wird, desto realistischer werden die aufgedeckten Zusammenhänge sein und sich auch für Vorhersagen eignen.

Fallstudie
Um die Leistungsfähigkeit der Methode einschätzen zu können, wurden im Rahmen einer Fallstudie die Datensätze von etwa 800 Patientinnen untersucht, die ihr Kind aus Beckenendlage zur Welt brachten. Die Datenbank umfaßte etwa 50 qualitative und quantitative Symptome und Labordaten zu jeder Patientin. Bei der Analyse interessierten Fragen wie zum Beispiel Einflüsse auf den Zustand des Neugeborenen nach der Geburt, die wichtigsten Indikationen zu einem Kaiserschnitt und Gründe für Entwicklungsverzögerungen beim Fötus. Die Wahl war unter anderem auch deshalb auf dieses verhältnismäßig gut bekannte Fachgebiet gefallen, da sich die durch das Programm aufgedeckten Zusammenhänge so leichter durch Experten überprüfen ließen. Die Ergebnisse wurden interaktiv am Computer analysiert, da der Aufwand für die Datenauswertung äußerst gering ist (Windows oder Windows NT, PC mit wenigen Sekunden Analysezeit). Somit wurden viele verschiedene Analysen unter unterschiedlichen Aspekten möglich, und der Anwender konnte sich ein umfassendes Gesamtbild der Krankheitszusammenhänge erschließen. Die Ergebnisse befanden sich fast vollständig in Übereinstimmung mit dem Lehrbuchwissen; Abweichungen hiervon waren auf Mängel in der Datenbank zurückzuführen. Da sie nicht systematisch angelegt worden war, wies sie zum Teil erhebliche Lücken auf, was aber durch die jeweils automatisch durchgeführte, begleitende statistische Analyse sofort angezeigt wurde. Insgesamt zeigte sich, daß das Programm sehr gut dazu geeignet ist, medizinische Zusammenhänge aufzudecken und allgemeinverständlich darzustellen. Im Vergleich der Ergebnisse zwischen medizinischen und technischen Anwendungen fiel auf, daß medizinische Daten stärker "verrauscht" waren. Das heißt, bei zwei Patientinnen mit weitgehend gleichen Anamnesen werden nicht notwendigerweise die gleichen Therapien verfolgt. Ein Grund liegt in der Komplexität des menschlichen Organismus, ein anderer in der Tatsache, daß derselbe Patient von unterschiedlichen Ärzten auch unterschiedlich behandelt werden kann, abhängig von den sich sehr stark unterscheidenden persönlichen Einschätzungen der behandelnden Ärzte.

Resümee
Die automatische Datenanalyse ist in der Lage, die in bezug auf eine konkrete Fragestellung relevanten Zusammenhänge zwischen Daten aufzudecken. Hierzu ist keinerlei Vorwissen erforderlich, so daß die Güte der Analysenergebnisse unabhängig von der Person ist, die sie einsetzt. Die Ergebnisse sind ohne Einarbeitung in die zugrundeliegenden Verfahren leicht verständlich und direkt überprüfbar, da sie sich unmittelbar an den aufgezeichneten Daten real existierender Patienten orientieren und statistisch bewerten lassen. Die Methode erlaubt es grundsätzlich, in einer Vielzahl qualitativer und quantitativer Daten Gesetzmäßigkeiten zu erkennen und somit automatisch Wichtiges von Unwichtigem zu trennen.


Anschrift der Verfasser:
Dr. sc. techn. Georg Locher
Dr. med. Verena Locher
Theodor-Heuss-Straße 18 b
59302 Oelde


Dr. med. Chariklia Alexiadou-Rudolf
Neurochirurgische Universitätsklinik Köln
Joseph-Stelzmann-Straße
50931 Köln

Anzeige

Leserkommentare

E-Mail
Passwort

Registrieren

Um Artikel, Nachrichten oder Blogs kommentieren zu können, müssen Sie registriert sein. Sind sie bereits für den Newsletter oder den Stellenmarkt registriert, können Sie sich hier direkt anmelden.

Fachgebiet

Zum Artikel

Anzeige

Alle Leserbriefe zum Thema

Stellenangebote