Über LEXMED...


Lernfähiges Expertensystem zur medizinischen Diagnose am Beispiel von Appendizitis (Blinddarmentzündung)

1. Warum Appendizitis:

Die Diagnose der Appendizitis ist entgegen landläufiger Meinung nicht einfach. Chirurgen "gehen von der Tatsache aus, daß die klinische Diagnose der Appendizitis schwierig und mit  Unsicherheiten belastet ist" und "daß auf der anderen Seite die Unterlassung der Operation bei einer akuten Entzündung ein erhebliches Risiko bedeutet, und daher die gewissermaßen immanente Häufigkeit von Fehldiagnosen (in Form von unnötigen Operationen) etwa 15% beträgt."(s. Literatur: B. Hontschik, 1994; vgl. Böhner et al. 1994). Gleichzeitig ist Appendizitis eine häufige Krankheit (etwa 10000 Fälle allein in Baden-Württemberg 1995), die wissenschaftliche Literatur ist entsprechend umfangreich, größere Datenbanken behandelter Fälle liegen vor und können zur Überprüfung oder Gewinnung von Hypothesen genutzt werden. Dies alles bietet eine gute Grundlage, das noch nicht befriedigend gelöste Diagnoseproblem mit modernen Methoden weiter zu erforschen.
 

2. Wissenschaftlicher Hintergrund: Wahrscheinlichkeiten


Wahrscheinlichkeiten bieten ein sicheres formales Gerüst im Umgang mit unsicherem und unvollständigem Wissen. Für ihre erfolgreiche Anwendung in Expertensystemen waren etliche zusätzliche Probleme zu lösen:
  1. Fragen der Anwendung der formale Sprache auf umgangssprachlich formulierte Probleme
  2. die Verringerung der Komplexität der notwendigen Berechnungen
  3. die faire Reduzierung der Freiheitsgrade bei unvollständiger Information
Das Projekt baut auf diesen Erfahrungen auf und zeigt wie sie für die medizinische Diagnose umgesetzt werden können. In Teilaufgaben werden dabei umgangssprachliche Informationen in Häufigkeits- und Wahrscheinlichkeitsaussagen übersetzt, die Methode der Maximierung der Entropie zur fairen Reduzierung der Freiheitsgrade verwendet und die Möglichkeiten zur Komplexitätsreduktion durch die Verwendung graphischer Modelle (Unabhängigkeitsgraphen) genutzt.
Zentral ist dabei die Verwendung eines Programmsystems (hier: PIT), das Wahrscheinlichkeitsaussagen (bedingte Wahrscheinlichkeiten mit Intervallen) verarbeiten kann und auf der Basis dieses (unvollständigen) Wissens beliebige Anfragen (z.B.: "Wenn Symptom x und Symptom y dann liegt Krankheit z mit welcher Wahrscheinlichkeit vor ?") wahrscheinlichkeits- und informationstheoretisch korrekt beantwortet.

Wird der Umgang mit Wahrscheinlichkeiten im Licht dieser Ergebnisse und Ihrer Implementierung betrachtet, bietet er die Chance, den Arzt technisch zu entlasten (welche Folgerungen sind gerechtfertigt anhand der vorhandenen unsicheren bzw. unvollständigen Aussagen ?), fordert ihn aber gleichzeitig dazu auf, sein Wissen explizit zu machen und zur Diskussion zu stellen. Damit besteht die Möglichkeit, die Leistungsfähigkeit und das Verständnis medizinischer Diagnose zu verbessern.
 

3. Stichworte:

Medizinische Diagnose, Wahrscheinlichkeit, unvollständiges Wissen, unsicheres Wissen, künstliche Intelligenz (KI), Methode maximaler Entropie, Data Mining, maschinelles Lernen, automatische Klassifikation, Regeln, Falldaten, Expertensystem, Defaultschliessen, umgangssprachliches Schliessen und Entscheiden
Fachgebiete:   Mathematik, Informatik, Logik, Medizin
 

4. Kurzinfo (Flyer) .ps-file  .pdf-file


5. Bilder (Dr. Rampf, Dr. Ertel)  

 
 
  e