Das Treffen komplexer medizinischer Entscheidungen wird durch die stetig steigende Menge an zu berücksichtigenden Informationen zunehmend komplexer. Dieser Umstand ist vor allem auf die Verfügbarkeit von immer präziseren diagnostischen Methoden zur Charakterisierung der Patienten zurückzuführen (z.B. genetische oder molekulare Faktoren). Hiermit einher geht die Entwicklung neuartiger Behandlungsstrategien und Wirkstoffe sowie die damit verbundenen Evidenzen aus klinischen Studien und Leitlinien. Dieser Umstand stellt die behandelnden Ärztinnen und Ärzte vor neuartige Herausforderungen im Hinblick auf die Berücksichtigung aller relevanten Faktoren im Kontext der klinischen Entscheidungsfindung.
Moderne IT-Systeme können einen wesentlichen Beitrag leisten, um die klinischen Experten weitreichend zu unterstützen. Diese Assistenz reicht dabei von Anwendungen zur Vorverarbeitung von Daten für eine Reduktion der damit verbundenen Komplexität bis hin zur systemgestützten Evaluation aller notwendigen Patientendaten für eine therapeutischen Entscheidungsunterstützung. Möglich werden diese Funktionen durch die formale Abbildung von medizinischem Fachwissen in Form einer komplexen Wissensbasis, welche die kognitiven Prozesse im Entscheidungsprozess adaptiert. Entsprechend werden an den Prozess der IT-konformen Wissensabbildung erhöhte Anforderungen bezüglich der Validität und Signifikanz der enthaltenen Informationen gestellt.
In den ersten beiden Kapiteln dieser Arbeit wurden zunächst wichtige methodische Grundlagen im Kontext der strukturierten Abbildung von Wissen sowie dessen Nutzung für die klinische Entscheidungsunterstützung erläutert. Hierbei wurden die inhaltlichen Kernthemen weiterhin im Rahmen eines State of the Art mit bestehenden Ansätzen abgeglichen, um den neuartigen Charakter der vorgestellten Lösungen herauszustellen.
Als innovativer Kern wurde zunächst die Konzeption und Umsetzung eines neuartigen Ansatzes zur Fusion von fragmentierten Wissensbausteinen auf der formalen Grundlage von Bayes-Netzen vorgestellt. Hierfür wurde eine neuartige Datenstruktur unter Verwendung des JSON Graph Formats erarbeitet. Durch die Entwicklung von qualifizierten Methoden zum Umgang mit den formalen Kriterien eines Bayes-Netz wurden weiterhin Lösungen aufgezeigt, welche einen automatischen Fusionsprozess durch einen eigens hierfür entwickelten Algorithmus ermöglichen.
Eine prototypische und funktionale Plattform zur strukturierten und assistierten Integration von Wissen sowie zur Erzeugung valider Bayes-Netze als Resultat der Fusion wurde unter Verwendung eines Blockchain Datenspeichers implementiert und in einer Nutzerstudie gemäß ISONORM 9241/110-S evaluiert. Aufbauend auf dieser technologischen Plattform wurden im Anschluss zwei eigenständige Entscheidungsunterstützungssysteme vorgestellt, welche relevante Anwendungsfälle im Kontext der HNO-Onkologie adressieren. Dies ist zum einen ein System zur personalisierten Bewertung von klinischen Laborwerten im Kontext einer Radiochemotherapie und zum anderen ein in Form eines Dashboard implementiertes Systems zur effektiveren Informationskommunikation innerhalb des Tumor Board. Beide Konzepte wurden hierbei zunächst im Rahmen einer initialen Nutzerstudie auf Relevanz geprüft, um eine nutzerzentrische Umsetzung zu gewährleisten.
Aufgrund des zentralen Fokus dieser Arbeit auf den Bereich der klinischen Entscheidungsunterstützung, werden an zahlreichen Stellen sowohl kritische als auch optimistische Aspekte der damit verbundenen praktischen Lösungen diskutiert.:1 Introduction
1.1 Motivation and Clinical Setting
1.2 Objectives
1.3 Thesis Outline
2 State of the Art
2.1 Medical Knowledge Modeling
2.2 Knowledge Fusion
2.3 Clinical Decision Support Systems
2.4 Clinical Information Access
3 Fundamentals
3.1 Evidence-Based Medicine
3.1.1 Literature-Based Evidence
3.1.2 Practice-Based Evidence
3.1.3 Patient-Directed Evidence
3.2 Knowledge Representation Formats
3.2.1 Logic-Based Representation
3.2.2 Procedural Representation
3.2.3 Network or Graph-Based Representation
3.3 Knowledge-Based Clinical Decision Support
3.4 Conditional Probability and Bayesian Networks
3.5 Clinical Reasoning
3.5.1 Deterministic Reasoning
3.5.2 Probabilistic Reasoning
3.6 Knowledge Fusion of Bayesian Networks
4 Block-Based Collaborative Knowledge Modeling
4.1 Data Model
4.1.1 Belief Structure
4.1.2 Conditional Probabilities
4.1.3 Metadata
4.2 Constraint-Based Automatic Knowledge Fusion
4.2.1 Fusion of the Bayesian Network Structures
4.2.2 Fusion of the Conditional Probability Tables
4.3 Blockchain-Based Belief Storage and Retrieval
4.3.1 Blockchain Characteristics
4.3.2 Relevance for Belief Management
5 Selected CDS Applications for Clinical Practice
5.1 Distributed Knowledge Modeling Platform
5.1.1 Requirement Analysis
5.1.2 System Architecture
5.1.3 System Evaluation
5.1.4 Limitations of the Proposed Solution
5.2 Personalization of Laboratory Findings
5.2.1 Requirement Analysis
5.2.2 System Architecture
5.2.3 Limitations of the Proposed Solution
5.3 Dashboard for Collaborative Decision-Making in the Tumor Board
5.3.1 Requirement Analysis
5.3.2 System Architecture
5.3.3 Limitations of the Proposed Solution
6 Discussion
6.1 Goal Achievements
6.2 Contributions and Conclusion
7 Bibliography
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:78301 |
| Date | 04 March 2022 |
| Creators | Oeser, Alexander |
| Contributors | Universität Leipzig |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | English |
| Detected Language | German |
| Type | info:eu-repo/semantics/acceptedVersion, doc-type:doctoralThesis, info:eu-repo/semantics/doctoralThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0029 seconds