4. Diskussion
4.5 Diskussion der Ergebnisse
4.5.2 Ergebnisse des Data Mining-Programms
Es gibt verschiedene Data Mining-Algorithmen, um Daten zu klassifizieren. An dieser Stelle wird der bisherige Einsatz der hier verwendeten vier mathematischen
103
Verfahren (SVM, Fuzzy, ANN und dem Voter), die der Programmierung des verwendeten Data Mining-Programms zu Grunde liegen und ihr bisheriger Einsatz in der Diagnostik, diskutiert.
Die mathematische Rechenmethode des SVM-Verfahrens erzielt in unterschiedlichen medizinischen Einsatzfeldern gute Ergebnisse bei der Klassifikation von Daten (Meyer et al., 2003). Um Radiologen bei der Diagnostik zu unterstützen, sammelte die Forschungsgruppe um Virmani Daten aus Bildern in Ultraschalluntersuchungen.
Die gesammelten Daten aus den Bildern wurden mit dem SVM-Verfahren analysiert und im Folgenden für die Klassifikation und Differenzierung zwischen Hepatozellulären Karzinomen (HCC) und Lebermetastasen verwendet.
Computergestützt konnte eine Sensitivität für die Erkennung eines HCC von 90%
und für Metastasen von 93,3%, anhand von Bildern, erreicht werden (Virmani et al., 2013). Eine andere Studie beschäftigte sich mit der Fragestellung, ob SVM bei der Klassifikation von Magnetresonanztomographie (MRT)-Bildern bei Alzheimer Patienten eingesetzt werden könnten. Der Vergleich zwischen Auswertungen von Radiologen und dem Einsatz des SVM-Verfahren erreichte eine Sensitivität von 80-90%, wenn die Diagnose durch den Radiologen alleine gestellt wurde, im Vergleich zu 95% mit dem Einsatz des SVM-Verfahrens (Klöppel et al., 2008). Bei der Auswertung der hier verwendeten Fragebögen lag die AUC im retrospektiven Test für das SVM Verfahren bei 100%, im prospektiven Test bei 98%. Obwohl hier einzelne Verfahren bereits auf eine AUC von 100% kamen, war dennoch eine Kombination der Verfahren vorteilhaft. Dieser Vorteil begründet sich darin, dass die einzelnen Verfahren in der Zuordnung der verschiedenen ausgewählten Lungenerkrankungen unterschiedlich gut funktionierten. Welche Diagnose für ein bestimmtes mathematisches Verfahren die meisten Probleme in der Diagnosezuordnung bereitet, kann mit den vorgestellten Ergebnissen nicht beantwortet werden. Eine Kombination hingegen kann einzelne Schwächen von Verfahren bei bestimmten Erkrankungen ausgleichen.
Sizilio und Kollegen verwendeten Fuzzy-Verfahren zur Analyse von Feinnadelpunktaten zur frühen Diagnose von Brustkrebs. Die verwendete Methode erreichte eine Sensitivität von 98,6% und liegt damit über der von medizinischen Spezialisten, die zwischen 65% und 98% angegeben wird (Sizilio et al., 2012). In einer anderen Studie konnte gezeigt werden, dass Fuzzy-Logik zur Analyse kardialer Erkrankungen und Elektrokardiogramm Interpretation genutzt werden kann. Dem
104
entwickelten Programm gelang die Klassifizierung kardialer Rhythmusstörungen zu 93,1% (Anuradha et al., 2008). Alayón und Kollegen zogen Fuzzy-Methoden zur Diagnostik von Malformationen der kortikalen Entwicklung heran. Hatte das Programm ausreichend Informationen zur Verfügung - bestehend aus radiologischen Befunden, Symptomen, der persönlichen und Familienanamnese - so konnten die Data Mining-Verfahren den Arzt bei der Erkennung von kortikalen Malformationen unterstützen (Alayón et al., 2007). In der vorliegenden Arbeit lag die Sensitivität des Fuzzy-Verfahrens retrospektiv bei 87% und prospektiv bei 88%. Von den verwendeten Verfahren arbeitete es damit am ungenausten. Die eigentliche Ursache dieser Problematik liegt im mathematischen Grundprinzip des Fuzzy-Verfahrens, das die Abweichungen der medizinischen Daten des zu diagnostizierenden Patienten von den Mittelwerten der zur Auswahl stehenden Diagnosen auswertet. Bei untypischen Manifestationen von Krankheiten oder bei einer großen Varianz der Patientendaten innerhalb einer Diagnosegruppe, kann das Fuzzy-Verfahren nur einen relativ geringen Beitrag zur Berechnung der Diagnose beisteuern. In Anbetracht der z.T.
kleinen Patientengruppen in der vorliegenden Arbeit ist daher das eher schlechte Abschneiden der Fuzzy-Algorithmen leicht verständlich. Dies gilt entsprechend auch für alle anderen, auf rein mathematischer Statistik beruhender, alternativer Verfahren, wie z.B. den Bayes Schätzverfahren.
ANN wurden bis zur Einführung der SVM als „bester“ Klassifikationsalgorithmus bezeichnet (Obenshain, 2004). Dieses ist einer der Gründe, warum viele Forschungsgruppen sich mit den möglichen Einsatzgebieten von ANN in der Biomedizin und Medizin beschäftigten. Besonders häufig wurde es sowohl in der Tumordiagnostik als auch in der Vorhersage des Behandlungsresultates der Patienten genutzt (Yoo et al., 2012). Auch bei der Auswertung großer Datenmengen findet sich der Einsatz von ANN in der Medizin: Takhur und Kollegen analysierten bei Patienten mit Ovarialkarzinom massenspektrometrisch Serum zum Nachweis ausgesuchter Serumproteine. Im Anschluss an die Trainings- und Testphasen konnte gezeigt werden, dass das ANN Verfahren, Patienten mit Ovarialkarzinom mit einer Sensitivität von 98%, anhand der Serumproben, ermitteln konnte (Thakur et al., 2011). Bei der Auswertung der Massenspektrumanalyse für die Zuordnung zu einer Erkrankung (Ovarialkarzinom) scheint die Verwendung eines einzelnen Data Mining-Verfahrens ausreichend zu sein. Auch in der vorliegenden Arbeit kann das ANN
105
Verfahren als besonders zuverlässiger Klassifikationsalgorithmus bezeichnet werden.
Sowohl retrospektiv, als auch prospektiv wurde eine Zuverlässigkeit in der Arbeitsweise des Verfahrens von 100% erreicht.
Die hervorragenden Ergebnisse der ROC-Kurven zeigen, dass alle vier mathematischen Verfahren effizient arbeiten. Ihre Kombination führt im Gesamtergebnis zu einer Sensitivität der verwandten Methodik von 96,9% richtig erkannter A- Diagnosen im retrospektiven und 85,7% im prospektiven Test.
Probleme in den prospektiven Anwendungen kann es geben, wenn der unbekannte neue Patient untypische Werte für sein Krankheitsbild aufweist. In diesem Fall besteht die Lösung des Problems darin, diesen Patienten in die Trainingsmenge der Patienten mit aufzunehmen und ein Programm-Update zu erzeugen, damit sich das Programm weiter entwickeln kann.
Vergleichende Untersuchungen verschiedener Data Mining-Anwendungen werteten Daten zur Vorhersage von Hyperbilirubinämie bei neonatal-ikterischen Neugeborenen mittels Bays‘schen Netzen, ANN und spezielle Regressionsverfahren aus. Es zeigte sich keine klare Überlegenheit eines einzelnen Verfahrens, da die Ergebnisse - je nachdem, ob Daten zu klinischen Risikofaktoren, dem transkutanen Bilirubin oder eine Kombination aus beidem ausgewertet wurden - variierten. Das ANN erreichte die höchste AUC (84%) bei der alleinigen Auswertung des transkutanen Bilirubins. Bei der Auswertung klinischer Risikofaktoren hingegen war es mit einer AUC von 70% der 74%igen AUC der Bays‘schen Netze unterlegen. Es zeigte sich, dass Data Mining-Programme valide Verfahren für die Früherkennung von neonatalem Ikterus waren und dem Kliniker bei der Diagnostik helfen könnten (Ferreira et al., 2012).
Die Anwendung differierender Data Mining-Verfahren kann jedoch zu gegenteiligen Ergebnissen führen. Eine Studie aus China verglich ANN, Entscheidungsbäume und logistische Regressionsmodelle, um Voraussagen für das Auftreten von Diabetes Mellitus bei Vorhandensein von ausgesuchten Risikofaktoren, treffen zu können.
Logistische Regressionsmodelle, ANN und Entscheidungsbäume erreichten jeweils eine Sensitivität von 79,6%, 82,2% und 80,7%, so dass der Wert für diagnostische Unterstützung eingeschränkt ist (Meng et al., 2013).
Diese Daten belegen, dass es nicht DIE beste Data Mining-Applikation gibt, sondern dass die Herausforderung auch darin besteht, das geeignete Verfahren für die
106
jeweilige Fragestellung einzusetzen oder aber eine Kombination zu verwenden, wie es in der vorliegenden Arbeit der Fall ist.
Alle bisher beschriebenen Studien arbeiten mit einzeln ausgewählten Data Mining-Verfahren, bzw. vergleichen diese bei den unterschiedlichsten Fragestellungen untereinander. Der Hauptunterschied zu der vorliegenden Arbeit besteht darin, dass hier eine Kombination aus vier verschiedenen, aber sich gegenseitig ergänzenden, Data Mining-Methoden dem entwickelten Diagnose-unterstützenden Werkzeug zu Grunde liegt.
In einem Vorläuferprojekt wurde ein anderer als der hier vorgestellten Ansatz - Fragebogenentwicklung aus Interviews - verfolgt. Nicht Fragen, sondern 26 Labor und klinische Parameter stellten die Eingangs-Variablen des Programmes für 18 häufige Diagnosen in der Notaufnahme dar (Grigull & Lechner, 2012). Retrospektiv gelang es dem Data Mining-Programm in 98%, prospektiv in 81% der Fälle, den Parametern die korrekte Diagnose zuzuordnen. Einer Studie zufolge sind 15% der Diagnosen in Notfallambulanzen Fehldiagnosen (Burroughs et al., 2005). Angesichts dieser Zahlen scheint das entwickelte Programm dem Anspruch als ein Diagnose- unterstützendes Werkzeug gerecht zu werden. Die 18 Diagnosen der Notaufnahme beinhalteten unter anderen zwei Diagnosegruppen des Bronchialsystems, nämlich Pneumonien und Asthma/Bronchitis als andere mögliche Diagnose. Beim retrospektiven Test schnitt die Diagnosegruppe Asthma/Bronchitis mit 92,9%
korrekten Diagnosen mit am schlechtesten ab. Pneumonien wurden zu 95,7% richtig erkannt. Diese beiden Werte liegen unter der durchschnittlich erreichten Zuordnungsgröße von 98% (Grigull & Lechner, 2012). Eine Erklärung könnte sein, dass Laborparameter bei Erkrankungen des Bronchialsystems nur geringen zusätzlichen Informationsgewinn liefern. Die Ergebnisse der vorliegenden Untersuchung hingegen zeigen, dass Asthma/akute Bronchitis jeweils zu 94% mittels eines Fragebogens korrekt diagnostiziert wurden. Damit liegt der Wert über dem der Vorläuferstudie. Pneumonien hingegen wurden nur zu 59% richtig erkannt. Hier wird als limitierender Faktor jedoch die geringe Zahl an Datensätzen zum Trainieren des Programms vermutet (siehe 3.5.1).
Wie im Vorläuferprojekt wurde die Auswertung mittels mathematischer Rechenverfahren vorgenommen. Die Daten für die Programmierung hingegen stammen nicht aus objektivierbaren Laborparametern, sondern basieren auf der
107
subjektiven Bewertung und Beobachtung von Eltern zum kindlichen Gesundheitszustand. Da beispielsweise die Bewertung vom Symptom „Husten“
unterschiedlich sein kann, wurde ein „gemittelter Patient“ ermittelt, so dass auftretende Varianzen bei der Beantwortung einer Frage, bei einer bestimmten Diagnose, nicht ins Gewicht fallen. Für das Vorläuferprojekt mussten Laborproben von den Patienten vorliegen, bzw. abgenommen werden. Hier hingegen bildeten jeweils 45 Fragen die Grundlage der diagnostischen Methode. Sofern die Ergebnisse gleich oder gar besser sind, erscheint es somit attraktiv, dank einer guten Anamnese (bzw. guten Fragen im Fragebogen) auf belastende und teure zusätzliche Untersuchungen (z.B. Blutentnahme) zu verzichten.
108 4.6 Ausblick
Als nächster Schritt ist eine prospektive Studie an mehreren Standorten zur Validierung des Diagnose-Werkzeuges geplant. Hierfür wird der Fragebogen entsprechend der Ergebnisse dieser Arbeit modifiziert. Eine Erhöhung der Patienten-Fallzahl für das Training des Programms und dessen Verbesserung wird im Rahmen der Folgestudie ebenfalls angestrebt. Diese Arbeit stellt daher in der vorliegenden Form nur die Grundlage für den Aufbau eines Leitsymptom (bzw. Phänomen)-basierten Diagnose-unterstützenden Verfahrens dar.
Das längerfristige Ziel soll sein, Ärzte an (seltene) Erkrankungen mit langen diagnostischen Latenzen mittels Data Mining-Verfahren zu erinnern und das hier vorgestellte System um zusätzliche Diagnosen zu erweitern.
109
5. Zusammenfassung
Fehldiagnosen und erhebliche diagnostische Latenzen sind eine Herausforderung, vor allem bei seltenen Erkrankungen. Ausgehend von der Hypothese, dass elterliche Beobachtungen stärker in den Diagnosefindungsprozess integriert werden könnten, entstand ein fragebogenbasiertes, computergestütztes Werkzeug. Mit den Eltern betroffener Kinder wurden zunächst narrative Interviews durchgeführt. Die systematisch-qualitative Auswertung der beschriebenen prädiagnostischen Phänomene mündete in einen Fragebogen. Diesen beantworteten dann Eltern, deren Kinder an einer von 6 ausgewählten pulmonalen Erkrankungen (z.B. Asthma, PCD, Pneumonie) erkrankt waren. Der so erhobene Datensatz diente dem Training kombinierter Data Mining-Verfahren. So konnten auch neue und unbekannte Patientendaten erkannt und einer Diagnose zugeordnet werden.
Zentrale Ergebnisse der Arbeit sind die gute Erkennbarkeit von Antwortmustern der PCD Patienten (Sensitivität 93%), bei Asthma betrug die Sensitivität 94%. Im Fall von kleineren Datensätzen (z.B. Pneumonie; < 20 Datensätze) sank die Sensitivität erheblich (59%). Insgesamt erreichte das Computersystem nach umfangreichen Trainings- und Testläufen eine Sensitivität von 96,9% (in der retrospektiven Analyse) und 85,7% (in der prospektiven Testung). Die ermittelten ROC-Kurven unterstrichen zudem die Zuverlässigkeit der eingesetzten Data Mining-Verfahren. Die mathematische Analyse des Gewichtes einzelner Fragen auf die Diagnose, die Heterogenität des Gewichtes der Fragen auf unterschiedliche Diagnosen verdeutlicht die Möglichkeit der differenzierten Bewertung der medizinischen Anamnese.
Diese Arbeit liefert zudem klare Hinweise dafür, dass die Erfassung elterlicher Wahrnehmungen krankheitsbezogener Phänomene im Interview und deren Transformation in einen Fragebogen nützlich ist für die Diagnosefindung bei ausgewählten pädiatrisch-pneumologischen Erkrankungen.
Die Ergebnisse dieser Arbeit sollten nicht dahingehend interpretiert werden, das ärztliche Handeln, Denken und Diagnostizieren durch Computerprogramme zu ersetzen oder den zwischenmenschlichen Kontakt im Rahmen der Anamneseerhebung auf Fragebogen zu reduzieren.
110
Vielmehr zeigt die vorliegende Arbeit, dass es möglich zu sein scheint, den ärztlichen Weg zur Diagnose mit Mustererkennung durch Verfahren der künstlichen Intelligenz (Data Mining) zu unterstützen. Auf diese Weise könnte es zukünftig gelingen, auch seltene Krankheiten (wie z.B. PCD) früher zu erkennen, indem der Computer dem Menschen als Gedächtnisstütze dient.
111
6. Literaturverzeichnis
A
Afzelius B.A. Mossberg B., Bergström S.E.: Immotile- cilia syndrome (primary ciliary dyskinesia) including Kartagener syndrome. In: Scriver c.R., Beaudet A.L., Sly W.S., Vale D.: The metabolic and molecular bases of inherited disease, 8th ed, McGraw Hill, New York, 2000
Alayón S., Robertson R., Warfield S.K., Ruiz-Alzola J.: A fuzzy system for helping medical diagnosis of malformations of cortical development. Journal of Biomedical Informatics 2007; 40(3): 221-235
Anuradha B., Reddy V., Veera C.: Cardia arrythmia classification using fuzzy classifiers. Journal of Theoretical and Applied Information Technology 2008; 4:
353-359
Augarten A., Ben Tov A., Madgar I., Barak A., Akons H., Laufer J., Efrati O., Aviram M., Bentur L., Blau H., Paret G., Wilschanski M., Kerem B.S., Yahav Y.: The changing face of the exocrine pancreas in cystic fibrosis: the correlation between pancreatic status, pancreatitis and cystic fibrosis genotype. Eur J Gastroenterol Hepatol 2008; 20(3): 164-168
AWMF: Nationale Versorgungsleitlinie Asthma
http://www.awmf.org/uploads/tx_szleitlinien/nvl-002l_S3_Asthma_2013-09.pdf (27.11.2014)
B
Berdel D., Forster J., Gappa M., Kiosz D., Leupold W., Pfeiffer-Kascha D., Rietschel D., Schuster A., Sitter H., Spindler T., Wahlen W.: Leitlinie zum Asthma bronchiale im Kindes- und Jugendalter. Monatsschr Kinderheilkd 2007; 155(10): 957–967
Bergström S.E.: Primary ciliary diskinesia (immotile-cilia syndrome). Up to date.http://www.uptodate.com/contents/primary-ciliary-dyskinesia-immotile-
cilia-syndrome?source=search_result&search=primary+cilia&selectedTitle=1~21 (27.11.2014)
112
Bhaskar E., Mehra N., Vasanthan K., Rajkumar M.: Primary ciliary dyskinesia demonstrating atypical presentation of kartagener`s syndrome: Inter Med 2010; 49(16): 1837-1838
BKK: Bevölkerungsumfrage 2011: Thema Arztbesuche. BKK Bayern.
http://www.bkk-bayern.de/uploads/media/BKK_Arztbesuchumfrage_Gesamtband_190411_01 .pdf (28.11.2014)
Bosnjak M. , Batinic B.: Determinanten der Teilnahmebereitschaft an Internet- basierten Fragebogenuntersuchungen am Beispiel E-Mail. In: Batinic B., Gräf L., Werner A. & Bandilla W. (Hrsg.), Online Research. Methoden, Anwendungen und Ergebnisse, Hogrefe, Göttingen, 1999, S.145ff
Boyle M.P.: Nonclassic cystic fibrosis and CFTR-related diseases. Curr Opin Pulm Med 2003; 9(6); 498-503
Buhl R., Berdel D., Criée C.-P., Kardos P., Kroegel C., Leuphold W., Lindemann H., Magnussen H., Nowak D., Pfeiffer- Kascha D., Rabe K., Rolke M., Schulze- Werninghaus G., Sitter H., Ukena D., Vogelmeier C., Welte T., Wettengel R., Worth H.: Leitlinie zur Diagnostik und Therapie von Asthma Patienten. Pneumologie 2006; 60: 139-183
Burroughs T.E., Waterman A.D., Gallagher T.H., Adams D., Jeffe D.B., Dunagan W.C., Garbutt J., Cohen M.M., Cira J., Inguanzo J., Fraser V.J.:
Patient concerns about medical errors in emergency departments. Acad Emerg Med 2005; 12(1): 57-64
Bush A., Cole P., Hariri M., Mackay I., Phillips G., O'Callaghan C., Wilson R., Warner J.O.: Primary ciliary dyskinesia: diagnosis and standards of care. Eur Respir J 1998; 12(4): 982–988
Bush A., O’Callaghan C.: Primary ciliary dyskinesia. Arch Dis Child 2002;
87(5): 363-365 C
Cai T., Conti G., Lorenzini M., Bartoletti R.: Artificial intelligence in urological practice: the key to success? Annals of oncology-letters to the editor. Ann Oncol 2007; 18(3): 604-605
Cantrill J.A., Cottrell W.N.: Accurancy of drug allergy documentation. Am J Health-Syst Pharm 1997; 54: 1627-1629
113
Caronna E.B., Augustyn M., Zuckerman B.: Revisiting parental concerns in the age of autism spectrum disorders: the need to help parents in the face of uncertainly. Arch Pediatrc Adolesc Med 2007; 161(4): 406-408
Chang A.B., Redding G.J., Everard M.L.: Chronic wet cough: Protracted bronchitis, chronic suppurative lung disease and bronchiectasis. Pediatr Pulmonol. 2008; 43(6) :519-531
Coren M.E., Meeks M., Morrison I., Buchdahl R.M., Bush A.: Primary ciliary dyskinesia: age at diagnosis and symptom history. Acta Paediatr 2002; 91(6):
667-669
Cornford C.S., Morgan M., Ridsdale L.: Why do mothers consult when their children cough? Fam Pract 1993; 10: 193-196
Craven V., Everald M.L.: Protracted bacterial bronchitis: reinventing an old disease. Arch Dis Child. 2013; 98(1): 72-76
Cruz J.A., Wishart D.S.: Applications of machine learning in cancer prediction and prognosis. Cancer Informatics 2006; 2: 59-77
D
de Boeck K., Wilschanski M., Castellani C., Taylor C., Cuppens H., Dodge J., Sinaasappel M.: Cystic fibrosis: terminology and diagnostic algorithms. Thorax 2006; 61(7): 627-635
De Carvalho L.M.F., Nassar S.M., de Azevedo F.M., Teixeira de Carvalho H.J., Monteiro L.L., Zilio Rech C.M.: A neuro-fuzzy system to support in the diagnostic of epileptic events and non-epileptic events using different fuzzy arithmetical operations. Arq Neuropsiquiatr 2008; 66(2A): 179-183
Dela Bianca A.C., Wandalsen G.F., Miyagi K., Camargo L., Cezarin D., Mallol J., Solé D.: International study of wheezing in infants (EISL): Validation of written questionnaire for children aged below 3 Years. J Investig Allergol Clin Immunol 2009; Vol. 19(1): 35-42
Dell S.D.: Primary ciliary dyskinesia: Myths and realities. Paediatr Child health 2008; 13(8): 668-670
Dixon G., Badawi N., French D., Kurinczuk J.J.: Can parents accurately screen children at risk of developmental delay? J Paediatr Child Health 2009;
45(5): 268-273
114
Don M., F. Valent F. , M. Canciani M., M. Korppi M.: Prediction of delayed recovery from pediatric community acquired pneumonia. Italian Journal of Pediatrics 2010; 36: 51
Donnelly D., Critchlow A., Everard M.L.: Outcomes in children treated for persistent bacterial bronchitis. Thorax 2007; 62(1): 80-84
Dray X., Bienvenu T., Desmazes-Dufeu N., Dusser D., Marteau P., Hubert D.:
Distal intestinal obstruction syndrome in adults with cystic fibrosis. Clin Gastroenterol Hepatol 2004; 2(6): 498-503
Dybowski R., V. Gant: Artificial neural networks in pathology and medical laboratories. Lancet 1995; 346(8984): 1203-1207
E
Ellerman A., H. Bisgaard: Longitudinal study of lung function in a cohort of primary ciliary dyskinesia. Eur Respir J 1997; 10(10): 2376-2379
Ely W., Kaldjian L.C., D’ Allessandro D.M.: Diagnostic errors in primary care:
lessons learned. J Am Board Fam Med 2012; 25(1): 87-97
Esposito S., Bosis S., Cavagna R., Faelli N., Begliatti E., Marchisio P., Blasi F., Bianchi C., Principi N.: Characteristics of Streptococcus pneumoniae and atypical bacterial infections in children 2-5 years of age with community- acquired pneumonia. Clin Infect Dis 2002; 35(11): 1345-1352
F
Faniran A.O., Peat J.K., Woolcock A.J.: Measuring persistent cough in children in Epidemiological studies – development of a questionnaire and asessment of prevalence in two countries. Chest 1999; 115: 434-439.
Fardy H.J.: A coughing child: could it be asthma? Aust Fam Physician 2004;
33(5): 312-315
Farrell P.M., Li Z., Kosorok M.R., Laxova A., Green C.G., Collins J., Lai H.C., Rock M.J., Splaingard M.L.: Bronchopulmonary disease in children with cystic fibrosis after early or delayed diagnosis. Am J Respir Crit Care Med. 2003;
168(9): 1100-1108
Fawcett T.: ROC graphs: notes and practical considerations for researchers.
Machine Learning 2004; 31: 1-38
Fayyad U., Piatetsky- Shapiro G., Smith P.: From Data Mining to Knowledge Discovery in Databases. AI Magazine 1996; 17: 37-54
115
Ferreira D., Oliveira A., Freitas A.: Applying data mining techniques to improve diagnosis in neonatal jaundice. BMC Med Inform Decis Mak 2012;12: 143
File T.M.: Acute bronchitis in adults. Up To Date.
http://www.uptodate.com/contents/acute-bronchitis-in-adults?source=search_result&search=acute+bronchitis+inadults&selectedTitle
=1~22
(27.11.2014)
Frankel R., Beckman H.: Evaluating the patient’s primary problem(s). In Stewart M., Roter D. (eds.): Communicating with Medical Patients, Sage Publications, Newbury Park, Calif. 1989: 86-89
G
Gärtner H.: Die Fragen des Arztes an den Kranken. Akademie-Verlag, Berlin 1962
Garg A.X., Adhikari N.K.L., Mc Donald H., Rosas- Arellano M.P., Devereaux P.J., Beyene J., Sam J., Haynes R.B.: Effect of computerized clinical decision support systems on practitioner performance and patient outcomes. JAMA 2005; 293(10): 1223-1238
Gawronski A., Kuzmanovic B., Georgescu A., Kockler H., Lehnhardt F.-G., Schilbach L., Volpert K., Vogeley K.: Erwartungen an eine Psychotherapie von hochfunktionalen erwachsenen Personen mit einer Autismus-Spektrum-Störung. Fortschr Neurol Psychiatr 2011; 79(11): 647-654
Garavy L.: Untersuchung zur physiologischen Leitfähigkeit des Schweißes bei reifen Neugeborenen in der ersten Lebenswoche. Dissertation Berlin 2012
Glascoe F.P.: Evidence-based approach to developmental and behavioural surveillance using parents' concerns. Child Care Health Dev. 2000; 26(2):
137-149
Glascoe F.P.: Parents' concerns about children's development: prescreening technique or screening test? Pediatrics 1997; 99(4): 522-528
Glinka H.J.: Das narrative Interview- eine Einführung für Sozialpädagogen.
Juventa Verlag, Weinheim, 1998, S. 189-209
Graber M.L., Franklin N., Gordon R.R.: Diagnostic error in internal medicine.
Arch Int Med 2005; 16(13)5: 1493-1499
116
Grad R.: Causes of chronic cough in children. Up To Date.
http://www.uptodate.com/contents/causes-of-chronic-cough-in-children?source=search_result&search=causes+of+chronic+cough&selectedT itle=2~115 (27.11.2014)
Greenstone M., Rutman A., Dewar A., Mackay I., Cole P.J.: Primary ciliary dyskinesia: Cytological and clinical features. Q J Med 1988; 67(2): 405-423
Grigull L., Betzel C., Schumacher U., Rother A.-K., Mücke U., Klawonn F., Lechner W.M.: Sollten Kinderärzte zur Unterstützung bei der Diagnostik einen Computer nutzen? Pädiat Prax 2012; 79(4): 545-455
Grigull L., Lechner W.M.: Supporting decisions using hybrid and complementary data mining applications: a pilot study in the pediatric emergency department. Pediatr Res 2012; 71(6): 725-731
Grosse S.D., Boyle C.A., Botkin J.R., Comeau A.M. Kharrazi M., Rosenfeld M., Wilfond B.S.: Newborn screening for cystic fibrosis: evaluation of benefits and risks and recommendations for state newborn screening programs.
MMWR Recomm Rep 2004; 53(13): 1-36 H
Hafkamp-de Groen E., Mohangoo A.D., de Jongste J.C., van der Wouden J.C., Moll H.A., Jaddoe V.W.V., Hofman A., de Koning H.J., Raat H.: Early detection and counselling intervention of asthma symptoms in preschool children: study design of a cluster randomised controlled trial. BMC Public Health 2010; 10: 555
Hampton J.R., Harrison M.J.G., Mitchell J.R.A., Prichard J.S., Seymour C.:
Relative contributions of history-talking, physical examination, and laboratory investigation to diagnosis and management of medical outpatients. British Medical Journal 1975; 2: 486-489
Hartnick C.J., Zurakowski D., Haver K.: Validation of a pediatric cough questionnaire. Ear Nose Throat J. 2009; 88(11): 1213-1217
Henderson R.C., Madson C.D.: Bone mineral content and body composition in children and young adults with cystic fibrosis. Pediatr Pulmonol 1999; 27(2):
80-84
Heyduck K., Glattacker M., Meffert C.: Rehabilitation aus Patientensicht - Eine qualitative Analyse der subjektiven Behandlungskonzepte von Patienten in der
117
stationären orthopädischen und psychosomatischen Rehabilitation.
Rehabilitation 2011; 50(4); 232-243
Hoppe B., Hesse A., Brömme S., Rietschel E.; Michalk D.: Urinary excretion substances in patients with cystic fibrosis: risk of urolithiasis? Pediatr Nephrol 1998; 12(4): 275-279
Hughes D.: Primary ciliary dyskinesia. Paediatr Child Health 2008; 13(8): 672-674
I
Institut für Demoskopie Allensbach: Vorwerk Familienstudie 2008.
https://corporate.vorwerk.com/fileadmin/data/pdf/Publikationen/vorwerk_famili enstudie2008.pdf (27.11.2014)
J
Jadavji T., Law B., Lebel M.H., Kennedy W.A., Gold R., Wang E.E.L.: A practical guide for the diagnosis and treatment of pediatric pneumonia. Can Med Assoc J 1997; 156(5): 703-711
Ji S.Y., Smith R., Huynh T., Najarian K.: A comparative analysis of multi-level computer-assisted decision making systems for traumatic injuries. BMC Medical Informatics and Decision Making 2009; 9: 2
Jones A., Sykes A.: The effect of symptom presentation on delay in asthma
Jones A., Sykes A.: The effect of symptom presentation on delay in asthma