CLINICAL DECISION SUPPORT SYSTEMS

Transkript

1 CLINICAL DECISION SUPPORT SYSTEMS

2 INHALTSVERZEICHNIS 1/2 Diagnosefindung Prävention Medikamente (Auswahl, Dosierung etc.)

3 INHALTSVERZEICHNIS 2/2 Supervised, Unsupervised Bayes-Netzwerke Neuronale Netze Regelbasierte Systeme Vor- Nachteile von CDSS Beispielsysteme Eigene Meinung

4 EINLEITUNG WAS IST CDSS Clinical Decision Support Systeme sollen Ärzte und anderes Pflegepersonal in der Entscheidungsfindung unterstützen. Charakteristiken von verschiedenen Patienten werden zu einer Wissensbasis zusammengefasst und entwerfen daraus ihre Empfehlungen. Zusammen mit dem Ergebnis der CDSS und dem Wissen des Arztes wird dann gehandelt. Mögliche Warnungen/Empfehlungen: Warnung bei kritischen Werten, bei längst fälligen Untersuchungen Vorschläge bei Medikamentenverordnung, Behandlungsmethoden

5 EINLEITUNG MEDIZINISCHE FEHLER Zahlen aus den USA (Staat New York): fehlerbedingte Todesfälle/Jahr > 50% vermeidbare Fehler 20 bis 35 Milliarden / Jahr Zahlen aus Australien: 3,3 Millionen Krankenhausbehandlungstage durch med. Fehler 1,7 Millionen vermeidbar

6 EINLEITUNG MEDIZINISCHE FEHLER Prof. Dr. Günter Ollenschläger; Medizinische Risiken, Fehler und Patientensicherheit; Schweizerische Ärztezeitung ; 2001;82: Nr 26

7 EINLEITUNG ZIELE In Workflow integrieren So viele Daten wie möglich übernehmen um Fehler bei der Eingabe zu vermeiden Medizinische Fehlerrate reduzieren Leicht verständliche Anwendung der Software gewährleisten Kostenreduktion

8 EINLEITUNG GESCHICHTLICHE ENTWICKLUNG 1950er Diagnosefindungssoftware Entwicklung von CDSS mit Wissensbasis 1980er Wahrscheinlichkeitsbasierte Systeme (Bayes) Regelbasierte Systeme Hybridsysteme Ständige Weiterentwicklung bis heute

9 EINLEITUNG - EINFLUSSFAKTOREN Administrative Einflüsse Akzeptanz Workflow-Integration Kompatibilität mit bisherigen Anwendungen Technische Einflüsse Systemvoraussetzungen (IT-Infrastruktur) Upgrade-Möglichkeiten Datenqualität

10 ANWENDUNGSGEBIETE - DIAGNOSEFINDUNG Sollen Ärzte bei der Diagnosefindung unterstützen und dadurch die Fehlerrate bei Diagnosen reduzieren Erste Systeme dieser Art nutzten Wissensbasen bestehend aus Syndromen und Krankheiten dazugehörigen Symptomen, typischen Laborwerten etc. Baten gute Entscheidungs- und Lernhilfen Probleme: Sensitivität (Richtig diagnostizierten): 50%-60% Zugangszeiten oft mehrere Minuten

11 ANWENDUNGSGEBIETE - DIAGNOSEFINDUNG Bewährte Systeme bei schwierigen Fällen Notwendigkeit einer zusätzlichen Meinung Suche nach Bestätigung

12 ANWENDUNGSGEBIETE - DIAGNOSEFINDUNG Mark L. Graber, Ashlei Mathew; Performance of a Web-Based Clinical Diagnosis Support System for Internists; Society of General Internal Medicine 2007; 23(Suppl 1):37 40

13 ANWENDUNGSGEBIETE - PRÄVENTION Häufig auftretende Krankheiten (Kh) geschlechts-, alters- und herkunftsabhänige Kh Brustkrebs, Lungenembolie, zerebrale Kh, Herzkrankheiten Klassifikation von Kh persönlichen und chirurgischen (ärztlichen) Risikofaktoren Richtlinien definiert Risikoeinschätzung (niedrig, mittel, hoch)

14 ANWENDUNGSGEBIETE - PRÄVENTION Nicht nur Kh sondern behandlungsbedingte Gesundheitsschäden Organisationsmängel in der Gesundheitsversorgung Versäumnisse der Leistungserbringer Fehler bei Medikamentengabe (folgt) Systemfehler zb Mangelnde Ausbildung des Personals

15 ANWENDUNGSGEBIETE - MEDIKAMENTE Sollen den behandelnden Arzt bei Medikamentenwahl, Dosierung und Verschreibungsdauer unterstützen Warnung bei Wechselwirkungen ähnlichen (doppelten) Medikamente Überwachung des Patienten Empfehlungen, die aktuelle Therapie zu ändern oder nicht (Warnmeldungen) Verschlechterung des Zustandes Resistenzen

16 ALGORITHMEN SUPERVISED/NON SUPERVISED Supervised Learning (Überwachtes Lernen) Einordnung von Datensätzen in eine definierte Anzahl von Klassen (Klassenattribut vorgegeben) Unsupervised Learning (Nicht-Überwachtes Lernen) Datensätze werden ohne Klassenvorgabe angegeben Ziel: Entdecken von Klassen und deren Definition Daten werden aufgrund von Ähnlichkeit/Distanzmaßen zusammengefasst

17 ALGORITHMEN ÜBERSICHT Bayes Netzwerke Neuronale Netze Regelbasierte Systeme

18 ALGORITHMEN BAYES NETZWERKE Stammt aus der Wahrscheinlichkeitstheorie und verwendet bedingte Wahrscheinlichkeiten Wahrscheinlichkeit für A unter Voraussetzung, dass B eingetreten ist Bei Netzwerken (gerichtete Graphen) Knoten = Zufallsvariablen Kanten = bedingte Abhängigkeit der Variablen

19 ALGORITHMEN BAYES NETZWERKE Bsp.

20 ALGORITHMEN NEURONALE NETZE Vorbild: biologische Netze Lernfähigkeit Kognitive Fähigkeiten Assoziatives Gedächtnis Ablauf in einem Neuron: Signal über Dendriten läuft im Soma zusammen über Axon weitergeleitet über Synapsen zum nächsten Dendrit

21 ALGORITHMEN NEURONALE NETZE Jedes Neuron Beliebige Menge v. Eingangsvariablen Aktivierungsfunktion Ausgangsvariable Kombination vieler Neuronen führt zum neuronalen Netz

22 ALGORITHMEN NEURONALE NETZE Informationsverarbeitung Neuronen aktivieren sich untereinander Sobald Schwellwert überschritten ist feuert das Neuron Lernen über die definierte Lernregel Entwickeln neuer und Löschen alter Verbindungen Modifikation bestehender Verbindungen über die Gewichte

23 ALGORITHMEN NEURONALE NETZE Beispielhafter Aufbau Mitchie, D.; Spiegelhalter, D.; Taylor, C.; (Hrsg.) Machine Learning, Neural and Statistical Classification, Ellis Horwood series in artifical intelligence, Ellis Horwood: New York, 1994

24 ALGORITHMEN REGELBASIERTE SYSTEME Regelbasierte Systeme bestehen aus einer Datenbank einer Menge von Regeln einem Kontrollsystem mit Regelinterpreter Form Wenn Dann Sonst Vereinfachtes Bsp: WENN Medikament A und Medikament B DANN Fehlermeldung ausgeben

25 DISKUSSION VOR- NACHTEILE Vorteile Verwaltung von Daten und einfache Zugänglichkeit Dient zur Vermeidung von Datenredundanzen Anzeigen von Warnmeldungen (Allergien, Wechselwirkungen bei Medikamenten) Minimierung von Fehlern Immer Verfügbar Flexibilität: Arzt kann Dinge ändern

26 DISKUSSION VOR- NACHTEILE Nachteile Kann die Arzt-Patienten Beziehung beeinflussen Kann den Arzt vom System abhängig machen Kann als zusätzliche Belastung zur Patientenversorgung gesehen werden Kann zu ethnischen und gesetzlichen Komplikationen kommen Schulungen notwendig (ev.) Muss up to date gehalten werden

27 DISKUSSION BEISPIELSYSTEME MYCIN (70er) CADUCEUS (80er) VisualDx RODIA (Relative Optical Density Image Analysis )

28 DISKUSSION EIGENE MEINUNG Sehr großes Potential Korrektur med. Fehler Unterstützung des med. Personals Sehr viele Ansätze schon vorhanden Bringt nicht nur Vorteile

29 Danke für eure Aufmerksamkeit!!