Modell- und evidenzbasierte Medizin durch digitale Patientenmodelle

Transkript

1 Modell- und evidenzbasierte Medizin durch digitale Patientenmodelle Dr. Kerstin Denecke April 2015

2 ICCAS Innovation Center for Computer-Assisted Surgery Gegründet im März 2005 als zentrale Eintrichtung der Universität Leipzig Interdisziplinäre Forschung: Chirurgen verschiedener Disziplinen, Ingenieure, Informatiker Forschungsthemen: Entwicklung von Technologien für den Operationssaal der Zukunft und eine personalisierte Patientenversorgung

3 Forschungsbereiche des ICCAS Digitales Patientenund Prozessmodell Modellbasierte Automation und Integration Multimodale Intraoperative Bildgebung

4 Digitale Patientenmodelle Was? Wozu? Wie?

5 Hypothesen und Patientendaten

6 Entscheidungsfindung im klinischen Kontext Integrieren Analysieren Vergleichen Interpretieren

7 Komplexe Entscheidungsfindung

8 Digitale Patientenmodelle 8 Umfassen Datenstrukturen und Methoden zur Beschreibung eines Organs oder Krankheit durch Daten und mathematische Relationen Liefern Einblick in die patienten- bzw. organspezifische Situation Ermöglichen Simulation von Prozessen einschließlich Behandlung und Operationen (z.b. Was passiert, wenn ich Medikament X gebe? Werden andere Symptome dadurch verstärkt?) Simulation unterstützt eine bessere Behandlungsplanung

9 Digitale Patientenmodelle vs. Allgemeine Modelle 9

10 Geometrische Patientenmodelle 10 Courtesy of Razvan Ionasec, Siemens Corporate Research, Princeton, USA

11 Facetten digitaler Patientenmodelle 11 Funktionelle Patientenmodelle Geometrische Patientenmodelle z.b., 3D-Bilder / 3D Patientenmodel einzelner Organe wie dem Herzen

12 Prediktive Modelle 12 z.b. probabilistisches Modell zur Diagnose von Lungenkrankheiten

13 Potentiale Digitaler Patientenmodelle 13 Digitale Patientenmodelle führen Daten zusammen Morphologische, funktionelle, statische, dynamische Daten zu einem Organ / Krankheitsausprägung Abbildung von Entscheidungsparametern Entscheidungsmodell Einsatz zur Unterstützung von medizinischen Entscheidungs- und Arbeitsprozessen Reduzierung von Fehlern Steigerung der Konkurrenzfähigkeit

14 Potentiale Digitaler Patientenmodelle 14 Unterstützung bei der Auswahl geeigneter diagnostischer Methoden bei der Festlegung einer Diagnose /Differentialdiagnose Nachvollziehbarkeit einer Entscheidung durch Dritte (Patient, Kostenträger, Controlling) Therapiesicherheit und transparenz

15 Modellbasierte Entscheidungsunterstützung 15 Modellbasierte Therapieentscheidung Domänenwissen Therapieentscheidungsgraph Situationsbeschreibung Patienteninformationsmodell

16 Von Daten zum Patientenmodell Biomedical literature, clinical data, guidelines Information extraction Semantic representation Machine learning Information items probabilities Diagnoses Symptoms Habits Smoke status Patient-specific data Radiologic image biomarker General probabilistic model Patient-specific model

17 Realisierung modellbasierter CDS 17 Textmining und Datenverknüpfung Daten und Informationen Modellierung von Therapieentscheidungen Erstellung eines Informationsmodells Archetypes Domänenwissen Dr. Kerstin Denecke CDS Clinical decision support

18 Modellierung von Therapieentscheidungen 1 8 Probabilistic Graphical Models Multi-Entity Bayesian Network Guidelines, studies and expertise Patient data

19 Therapieentscheidungsgraph für Kehlkopfkrebs 19

20 Unterstützung der Modellierung 20

21 Visualisierung 21

22 Visualisierung des Entscheidungsgraphen

23 Realisierung modellbasierter CDS 23 Textmining und Datenverknüpfung Daten und Informationen Modellierung von Therapieentscheidungen Erstellung eines Informationsmodells Archetypes Domänenwissen Dr. Kerstin Denecke

24 Informationsmodell 24 Indikation OP-Bericht unerwünschte Ereignisse 4 St. 5 Min.

25 Informationsmodell 25 Text Mining Verfahren OP-Bericht Bildverarbeitung 4 St. 5 Min. Intraop. endoskop. Video

26 Vorgehen zur Erstellung eines Informationsmodells Beschreibung des Prozesses der Behandlung Archetypes 2. Modellierung der Patientendaten mittels openehr 3. Entwicklung der Informationsplattform

27 openehr 27 Quelle: Christian Kohl, Universitätsklinikum Heidelberg

28 Realisierung modellbasierter CDS 28 Textmining und Datenverknüpfung Daten und Informationen Modellierung von Therapieentscheidungen Erstellung eines Informationsmodells Archetypes Domänenwissen Dr. Kerstin Denecke

29 Erkennen kritischer/unerwünschter Ereignisse 29 Motivation: Informationen zu Adverse Events (AE) können relevant sein für weitere Therapie, Abrechnung oder Massendatenanalyse Adverse Event: Komplikation, nicht-erfolgreiche Therapie, Verschlechterung der Grunderkrankung Beispiele Hier zeigt sich unmittelbar, dass eine pathologische Gerinnungsstörung vorliegt Etwa eine halbe Stunde nach Einnahme zeigte sich eine progrediente Luftnot. Wirbelsäule: Beweglichkeit schmerzbedingt eingeschränkt. Aufgrund der deutlichen Blutungsneigung ist die Operation zeitaufwändig.

30 Erkennen kritischer/unerwünschter Ereignisse 31 Dr. Kerstin Denecke

31 Entscheidungsunterstützung bei HWS-Defekten 32

32 Modell- und evidenzbasierte Medizin 34 durch digitale Patientenmodelle Modellierung klinischer Daten und Entscheidungen mittels probabilistischer Graphen Evidenz Modellbasierte Therapie: Vorhersage des Krankheitsverlaufs Simulation von Therapieoptionen Therapieplanung mit individueller quantitativer Optimierung individualisierte Medizin

33 Offene Fragen 35 Wie kann man die Modelle aktuell halten? Experten-gestützte Modellierung vs. Automatische Modellierung? Validierung von Modellen und deren Gültigkeit Möglichkeiten und Grenzen modellgestützter Therapieentscheidung und Diagnose

34

35 Vielen Dank für die Aufmerksamkeit! tumor remnant Fragen Dr. Kerstin Denecke