• • • Einteilung nach Unterstützungsgrad • • • • • 8. Entscheidungsunterstützende Programme

(1)

Medizinische Informatik 8. Entscheidungsunterstützende Programme 1

8. Entscheidungsunterstützende Programme

•

Einteilungen nach verschiedenen Kriterien

•

Historische Perspektive

•

Wissensarten und Wissensakquisition

•

Beispielsysteme: QMR und EON

•

Trends

Einteilung nach Unterstützungsgrad

•

Werkzeuge für Informationsmanagement

–Recherche (z.B. Nachschlagewerke, Literatur, Lehrbücher)

–Annotationen (z.B. persönliche Notizen, Vorlieben)

•

Werkzeuge zur Aufmerksamkeitssteuerung

–Alarme; Markieren abnormer Werte, ggf. mit Erklärungen

–Interaktionen von Daten (z.B. Medikamente)

–Generierung von Vorschlagslisten (z.B. Order entry)

•

Werkzeuge für Patienten-spezifische Empfehlungen

(2)

Entscheidungsprozess (Wdh.)

Diagnostikschleife: Wiederhole 1-4, bis Diagnosen gefunden:

1. Symptomsuche: Auswahl von Tests zur Datenerhebung.

2. Symptomerhebung: Durchführung der ausgewählten Tests.

3. Symptomerkennung: Befundung der Testergebnisse.

4. Diagnostik: Interpretation der erkannten Symptome.

Therapieschleife:

5. Therapiebestimmung: Auswahl und Parametrisierung von Therapien aufgrund der Diagnosen. Falls notwendig, müssen dazu weitere Symptome (Sprung zu Schritt 1) erfasst werden.

6. Therapiedurchführung: Umsetzung der Therapien.

7. Therapieüberwachung: Überprüfe, ob die gewählte Therapie das gewünschte Ergebnis hat. Falls nicht,

modifiziere Therapie und/oder Diagnose und wiederhole entsprechende Schleife.

Einteilung nach Prozessphase

•

Unterstützung verschiedener Prozessphasen:

–Diagnostik mit gegebenen Symptomen

–Symptomerkennung (u.a. Validierung; Bildanalyse)

–Diagnose-Prozess (einschl. Symptomsuche)

–Therapie-Stellen bei gegebener Diagnose

–Therapie-Prozess (einschl. Überwachung)

–Patientenmanagement (Diagnose- und Therapieprozess)

•

Voraussetzungen:

–fehlerfreie Daten

–einschlägiges Wissen

–Problemlösungsfähigkeiten

(3)

Einteilung nach Initiative & Kommunikationsstil

•

Initiative:

–System passiv: Benutzer erkennt Bedarf und gibt Falldaten ein (ggf. mit Nachfrage durch System)

–System aktiv: Überwacht Patientendaten und meldet sich mit Warnungen oder Vorschlägen

•

Kommunikationsstil:

–Beratungsmodell: System als Berater, der Falldaten

bekommt und Fragen stellt bzw. Diagnose- oder Therapie- empfehlungen gibt.

–Kritikmodell: System als „Zweite Meinung“ (second Opinion), das Handlungsvorschläge des Benutzers kommentiert.

Historische Perspektive

•

Leeds Abdominal Pain System (LAPS) (ca. 1970)

–Akute Bauchschmerzen: Schnelle Entscheidung mit

unsicheren Daten notwendig (z.B. Blinddarmentzündung)

–Bayes Theorem mit Sensitivitäten, Spezifitäten und Prävalenzen der Kernsymptome und 7 Hauptdiagnosen

–Überzeugende Evaluation in Leeds (91% Programm vs. 65- 80% Korrektheit der klinischen Diagnosen)

–Probleme bei Übertragung auf andere Kliniken

•

MYCIN: Antibiotika-Therapie-Beratung (ca. 1975)

–Wissensrepräsentation: regelbasiert mit Rückwärtsverkettung

–Trotz guter Evaluationen nie im klinischen Einsatz

•

HELP: Generierung von Warnungen in KIS (seit 1970)

–Wissensrepräsentation: regelbasiert mit Vorwärtsverkettung

–modularisiert durch „Medical logic Modules“ in Arden-Syntax

(4)

Einordnung der Systeme

Prozesse:

•

LAPS: Diagnostik (Input: Symptome: Output: Diagnosen)

•

MYCIN: Diagnostik, Symptomsuche, Therapie (Input: Teilmenge der Symptome, Output: Therapieempfehlungen)

•

HELP: Prozess nicht spezifiziert (meist Therapie): Input: Daten aus Patientenakte; Output: ggf. Warnungen

Einteilung:

•

LAPS: passives Beratungsmodell (kann aber auch als Kritiksys- tem genutzt werden) für patientenspezifische Empfehlungen

•

MYCIN: passives Beratungsmodell für patientenspezifische Empfehlungen

•

HELP: aktives Kritikmodell für Aufmerksamkeitssteuerung

Beispiel für Regeln aus MYCIN und HELP

MYCIN: Wenn 1. der Typ der Infektion Meningitis ist, 2. keine Labordaten verfügbar sind, 3. der Typ der Meningitis bakteroid ist, 4. der Patient älter als 17 Jahre ist und 5. der Patient Alkoholiker ist,

dann gibt es Evidenz für E. Coli (0.2) & Dipplococcus (0,3) Medical logical module in HELP (Arden Syntax):

(Zusatzwissen: Terminologischer Abgleich zwischen KIS und MLM) penicillin_order := event {medication_order where class = penicillin};

Penicillin_allergy := read last {allergy where agent_class = penicillin};

evoke: penicillin_order

logic: If exist (penicillin_allergy) then conclude true; endif;

action: write „Caution, the patient has the following allergy to penicillin documented:“ || pencillin allergy

(5)

Erfahrungen mit frühen Beratungssystemen

•

Solide technische Grundlagen & gute Evaluationen

•

Aber: kaum im klinischen Einsatz

•

Skeptismus, der entsprechend folgender Trends nur graduell zurückgeht:

–Emergenz von Kleincomputern & Gefühl für ihre Nützlichkeit

–Softwareentwickler erkennen zunehmend die Bedeutung der Arbeitsintegration (statt Betonung der Technik)

–Zunehmender Informationsstress bei medizinischem Fachpersonal

–Zunehmender Kostendruck

Mensch-Maschine-Interaktion (MMI)

•

Gute Entscheidungsfindung reicht nicht

•

MMI Haupthindernis bei Akzeptanz der Systems

–Einbezug der Fähigkeiten des Benutzers

–Benutzer sollte Konsequenzen seiner Aktionen vorhersehen können

•

Im Idealfall sollte ein Entscheidungsunterstützungssystem in eine elektronische Arbeitsumgebung integriert sein

•

Konkrete Probleme und Lösungen

–Mehrfacheingabe von Daten Î Vernetzung

–Umständlicher räumlicher Zugang Î Laptops, PDA‘s mit drahtloser Netzverbindung

–Umständliche Dateneingabe Î Neuartige Modalitäten

(Schreiben, Sprechen, Zeigen; Virtual Reality; Kombinationen)

(6)

Aufbau diagnostischer Wissensbasen

1. Vorbereitung:

–Ziele und Zielgruppe bestimmen

–Wissensquelle finden

–Detaillierungs- und Formalisierungsgrad klären

–Wissensrepräsentation (und Inferenzprozedur) festlegen

–Fallbeispiele sammeln 2. Modellierung:

–Diagnosen auflisten und strukturieren

–Diagnoseprofile erstellen

–Symptomabstraktionen auflösen

–Symptome strukturieren

–Bewertungswissen hinzufügen 3. Validierung:

–Testen mit Fallbeispielen

1.2 Wissensquelle finden

(Bsp.: K. Poeck: Neurologie, Springer)

(7)

2.2 Diagnoseprofile erstellen

2.3 Symptomabstraktionen auflösen

Anamnestische Sprech- und Sprachstörung = vorhanden, wenn mindestens 4 Punkte:

1 Verständnisstörung = beim Lesen

1 Verständnisstörung = bei gesprochener Sprache

1 Sprachproduktion = sprachliche Schwierigkeiten beim Schreiben 1 Sprachproduktion = Schwierigkeiten bei Bildung von Sätzen 1 Sprachproduktion = Schwierigkeiten bei Wortwahl

1 Sprachproduktion = verminderte Flüssigkeit

1 Sprachproduktion = Störungen bei Stimmgebung 1 Sprachproduktion = Störungen der Artikulation

(8)

2.5 Bewertungen hinzufügen

•

Wissensrepräsentation: Heuristisch (regelbasierter Score)

Diagnose: Akute Herpes simplex-Encephalitis links-temporal

Grundlegende Wissensarten

•

Kategorisches Wissen

–Entscheidungsbäume,

–Entscheidungstabellen

•

Statistisches Wissen

–Theorem von Bayes

–Entscheidungstheorie

–Bayes‘sche Netze

•

Kausales Wissen

–Funktionales (physiologisches) Wissen

–Überdeckendes (pathophysiologisches) Wissen)

•

Heuristisches Wissen (Scores)

•

Fälle-orientiertes Wissen

–Statistisches Wissen (s.o.)

–Fallbasiertes Schließen

–Lernen aus Fällen (kategorisch, heuristisch, kausal)

–Neuronale Netze

(9)

Grobe historische Entwicklung

1960 1970 1980 1990

Theorem von Bayes

heuristische Klassifikation

modellbasierte Klassifikation

Fälle-orientierte Klassifikation

Beispiel für Kausal-Funktionales Modell

Lunge

Körper

Blut-1 Blut-2

Blut-3 Blut-4

Luft-1 Luft-2

linke Herzkammer

rechte Herzkammer

Aktivi-

tät-1 ^{= Material}

= Komponente

(10)

Beschreibung zum Beispiel

• Materialien :

Blut-1, Blut-2, Typ Blut mit Attributen Sauerstoff {hoch, mittel, niedrig}

Blut-3, Blut-4: und Druck {hoch, mittel, niedrig}

Luft-1, Luft-2: Typ Luft mit Attribut Sauerstoff {normal, erniedrigt}

Aktivität-1: Typ Aktivität mit Attribut Intensität {normal, erniedrigt}

• Komponenten: Es wird jeweils nur das Normalverhalten der Komponenten beschrieben:

linke Herzkammer: Blut-1.Druck ::= hoch; Blut-1.Sauerstoff ::= Blut-4.Sauerstoff Körper: Blut-2.Druck ::= niedrig; Blut-2.Sauerstoff ::= niedrig

Aktivität-1 ::= Blut-1.Sauerstoffgehalt

(normal ← hoch; erniedrigt ←mittel, niedrig)

rechte Herzkammer:Blut-3.Druck ::= hoch; Blut-3. Sauerstoff ::= Blut-2.Sauerstoff Lunge: Blut-4.Druck ::= niedrig; Blut-4.Sauerstoff ::= Luft-1.Sauerstoff

(hoch <- normal; mittel <- niedrig)

Beispiel für kausal-überdeckendes Wissen

erniedrigter Blutbedarf Risikofaktoren

Arteriosklerose

Koronarsklerose (Angina Pectoris)

Aufregung Nitroglycerin

erhöhter Blutbedarf

Anstrengung

unzureichende Blutversorgung

des Herzens

Brustschmerz Ruhe

+ +

+ + + +

+

+ +

*

– –

(11)

Aspekte kausal-überdeckender Modelle

•

Einfache Überdeckungsrelationen: Diagnose Æ Symptom, z.B. Angina Pectoris (AP) Æ belastungsabhängiger Brustschmerz (bB)

•

Gewichte der Merkmale, z.B. Gewicht (bB): wichtig

•

Häufigkeiten der Überdeckungsrelationen wie “immer”, oft, ...

z.B. Häufigkeit von AP Æ bB: meistens

•

Berücksichtigung ähnlicher Ausprägungen bei Überdeckungs- relationen, z.B. Schmerzstärke bB auf Skala 1-10: AP kann 3-5 gut; 2 sowie 6-7 mässig; 1 sowie 8-10 nur schlecht erklären.

•

Schweregrade der Lösungen und Überdeckungsrelationen z.B.

Schweregrade: je ausgeprägter AP, desto stärker bB

•

Zeitliche Entwicklung

z.B. stabile AP Æ instabile AP Æ Herzinfarkt

Beispiel für heuristischen Diagnosescore

•

Wenn Anzahl der Risikofaktoren = hoch, dann Angina Pectoris; Evidenzwert gering.

•

Wenn Brustschmerzverstärkung = Anstrengung, dann Angina Pectoris; Evidenzwert mittel

•

Wenn Brustschmerzverstärkung = Aufregung, dann Angina Pectoris; Evidenzwert gering

•

Wenn Brustschmerzabschwächung = Ruhe, dann Angina Pectoris; Evidenzwert mittel

•

Wenn Brustschmerzabschwächung = Nitroglycerin, dann Angina Pectoris; Evidenzwert hoch

(12)

Fälle-orientierte Modelle

Fälle →

↓ Attribute

Fall1 Fall2 Fall3 Fall4 Fall5 neuer Fall

Husten ja ja nein ja nein ja

Fieber 37 38,5 38 38 37 37,8

Diagnose Bron- chitis

Erkäl- tung

anders Erkäl- tung

anders ???

Methoden zur Auswertung von Fällen:

•

Theorem von Bayes

•

Fallbasiertes Schließen (CBR)

•

Neuronale Netze

•

Lernen lineare Entscheidungsfunktionen

•

Induktives Lernen

•

Cluster-Lernen

•

Adaptation von Parametern

Beispiel für fallbasiertes Schließen

cough

fever

37 38 39

2

(yes) bronch flu flu

0

(no) other other

?

(13)

Fallbasiertes Schließen (CBR)

CBR-Zyklus:

• Retrieve the most similar case

• Reuse the solution and other information of the case

• Revise the pro- posed solution

• Retain the useful part of the case

Kernideen:

• Suche ähnlichen Fall und übernimm dessen Lösung

• Ähnlichkeitsmaß:Hammingabstand (% gleiche zu allen Symptomen) +

Zusatzwissen (Gewicht, partielle Ähnlichkeit, Symptomfilter, Datenabstraktion, lösungsspezifische Modifikation, Ausschlussregeln, ...)

Beispiel: QMR - Quick Medical Reference

•

Kommerzielles System für Gesamte Innere Medizin

•

Entwickelt in den siebziger Jahren in Pittsburgh

•

Ursprünglich Beratungssystem („INTERNIST I“), auch mit der Fähigkeit, Mehrfachdiagnosen zu erkennen.

•

In kommerzieller Form (QMR): 3 Modi:

–Beratung (ohne Mehrfachdiagnosen, ohne Rückfragen)

–Nachschlagewerk (Symptomlisten pro Diagnose)

–Gemeinsame Ursache nicht-zusammenhängender Symptome

•

Umfasst ca. 600 Diagnosen und ca. 4500 Symptome

•

Pro Diagnose ca. 75-100 Symptom-Assoziationen

•

Wissensrepräsentation: Einfaches Scoring-Schema

(14)

Beispiel für Diagnoseprofil aus QMR

Bewertung von Diagnosen in QMR

Pro:

Kontra:

Erklärungswert:

weitere Bewertungskriterien:

Prädisposition:

Differentialdiagostik:

erwartete und beobachtete Symptome erwartete, aber nicht beobachtete Symptome nicht erwartete, aber beobachtete Symptome

generelle Häufigkeit einer Diagnose

Vergleich konkurrierender Diagnosen und Auswahl der Besten Kontra Pro Erklärungs-

wert erwartete

Symptomatik einer Diagnose

tatsächlich beobachtete Symptomatik

in einem Fall

•

Pro: Bewertung mittels Evoking Strength: Wie stark deutet ein Symptom auf eine Diagnose?)

•

Kontra: Bewertung mittels Frequency: Wie häufig kommt Symptom bei Diagnose vor?)

•

Erklärungswert: Bewertung mit Import: Wie wichtig ist Symptom?

(15)

Bedeutung von Frequency & Evoking Strength

Bedeutung vom Import

•

Diagnosen, die ein beobachtetes Symptom nicht erklären können, bekommen einen Punkteabzug entsprechend der Höhe des Import-Wertes

•

Dieser Punkteabzug gilt nicht, wenn bereits eine andere Diagnose gefunden wurde, die diese Symptome erklärt. Auf diese Weise können Mehrfachdiagnosen gestellt werden.

(16)

Beispiel: EON / Protégé

•

EON: Experimentelles System für Auswahl und Durchführung von Therapie-Protokollen von der Stanford University

•

Anwendungsbeispiele: Therapie-Beratung bei AIDS und Brustkrebs

•

Gekoppelt an Elektronische Patientenakte über „Datenbank- Mediator“ mit Herleitungsfähigkeit von Symptomabstraktionen (einschl. temporaler Abstraktionen)

•

Protégé: Grafisches Wissensakquisitionssystem für Domain- Ontologien und Therapie-Protokolle

Ontologie-Definition mit Protégé

(17)

Eingabe eines Therapie-Protokolls in Protégé

Trends bei Entscheidungsunterstützungssystemen

•

(Integration mit elektronischer Patientenakte)

•

Umsetzung medizinischer Leitlinien zur Qualitätskontrolle

•

Hohe Verfügbarkeit über Inter-/ Intranet

–(Sicherheit und Datenschutz)

–Direkte Patientenberatung

•

Haftungsfragen noch ungeklärt

–Negligence Law: Haftung nur bei Fahrlässigkeit

–Strict Liability: Haftung bei Schadensfall

•

Standards für Evaluationen