Klin Padiatr 2019; 231(02): 60-66
DOI: 10.1055/a-0816-5681
© Georg Thieme Verlag KG Stuttgart · New York

Künstliche Intelligenz zur diagnostischen Unterstützung ausgewählter seltener lysosomaler Speichererkrankungen: Ergebnisse einer Pilotstudie

Artificial intelligence for diagnostic support in selected rare lysosomal storage disorders: Results of a pilot study
Anna-Lena Sieg
1   Pädiatrische Hämatologie und Onkologie, Hannover, Medizinische Hochschule Hannover
Anibh Martin Das
2   Clinic for Pediatric Kidney-, Liver- and Metabolic Diseases, Hannover, Hannover Medical School
Nicole Maria Muschol
3   Pediatrics, Hamburg, Universitätsklinikum Eppendorf
Anja Köhn
3   Pediatrics, Hamburg, Universitätsklinikum Eppendorf
Christina Lampe
4   Paediatrics, HELIOS Dr Horst Schmidt Kliniken Wiesbaden, Wiesbaden
Xiauwei Kortum
5   Helmholtz-Zentrum f. Infektionsforschung, Biostatistics, Braunschweig
Sandra Mehmecke
6   Medizinische Hochschule Hannover, Neurology, Hannover
Susanne Blöß
7   Medizinische Hochschule Hannover, Internal Medicine, Hannover
Werner Lechner
8   Improved Medical Diagnostics, Data Mining, Hannover
Frank Klawonn
5   Helmholtz-Zentrum f. Infektionsforschung, Biostatistics, Braunschweig
Lorenz Grigull
1   Pädiatrische Hämatologie und Onkologie, Hannover, Medizinische Hochschule Hannover
› Author Affiliations
Further Information

Publication History

Publication Date:
10 January 2019 (online)


Hintergrund Die Diagnosestellung einer seltenen Stoffwechselerkrankung stellt eine Herausforderung für Familien und betreuende Ärzte dar. Um den Weg zur Diagnose zu unterstützen, wurde ein diagnostisches Werkzeug entwickelt, welches die Erfahrungen Betroffener nutzt.

Methoden 17 Interviews mit Eltern oder Betroffenen einer ausgewählten, seltenen Stoffwechselerkrankung (Mukopolysaccharidose (MPS), M. Fabry und M. Gaucher) wurden durchgeführt. Die Ergebnisse wurden in diagnostischen Fragebogen abgebildet. Die Fragebogen wurden verteilt und von Eltern oder Betroffenen mit einer gesicherten Diagnose einer MPS, eines M. Fabry oder eines M. Gaucher beantwortet. Vier kombinierte Data Mining Klassifikatoren wurden trainiert, um in den beantworteten Fragebogen Antwortmuster zu finden.

Ergebnisse Das binäre Data Mining System wurde mit 56 Fragebogen trainiert und erzielte eine Anzahl von 91% richtigen Diagnosen für die Diagnose ‚MPS’. Weitere 20 Fragebogen, die nicht Teil des Trainingsdatensatzes waren, konnten als ein erster prospektiver Test ausgewertet werden. Das System erkannte bei diesen 20 Fragebogen 18 bzw. 90% korrekte Diagnosen.

Diskussion und Schlussfolgerung Fragebogen zur Diagnoseunterstützung basierend auf Interviews mit Eltern und Betroffenen wurden entwickelt und Antwortmuster durch Data Mining Verfahren ausgewertet. Diese vorläufigen Ergebnisse illustrieren, dass Data Mining Systeme Muster in Fragebogen erkennen können. Dieser Ansatz könnte zukünftig hilfreich bei der Erkennung ausgewählter Stoffwechselerkrankungen sein.


Background Diagnosing a rare metabolic disease challenges physicians and affected individuals and their families. To support the diagnostic pathway, a diagnostic tool was developed using the experiences of the affected individuals gained in interviews.

Methods 17 interviews with parents or individuals with a selected rare metabolic disease (Mucopolysaccharidosis (MPS), M. Fabry and M. Gaucher) were performed and qualitatively analysed using the standardized methods of Colaizzi. The results are reflected in diagnostic questionnaires. The questionnaires were distributed and answered by parents or individuals with an established diagnosis of MPS, M. Fabry or M. Gaucher and a control group. Four combined data mining classifiers were trained to detect suspicious answer patterns in the questionnaires.

Results 56 questionnaires were used for training and cross-validation tests of the binary data mining system resulting in a sensitivity value of 91% for the diagnosis ‘MPS’. Another 20 questionnaires which have not been used for the training process could be evaluated as a preliminary prospective test. Out of these 20 questionnaires the test delivered 18 correct diagnoses (90%).

Discussion and Conclusions Questionnaires for diagnostic support based on interviews with parents and affected individuals were developed and answer patterns were analysed with an ensemble of classifiers. Although preliminary, the results illustrate the potential of answer pattern recognition using data mining techniques. This approach might prove useful for diagnostic support in selected metabolic diseases.

Ergänzendes Material

  • Literatur

  • 1 Baris HN, Cohen IJ, Mistry PK. Gaucher Disease: The Metabolic Defect, Pathophysiology, Phenotypes And Natural History. In: Pediatr Endocrinol Rev 2014; 12: 72-81
  • 2 Bortz J, Döring N. Forschungsmethoden und Evaluation für Human- und Sozialwissenschaftler. 3. Auflage Springer Verlag; Berlin, Heidelberg: 2002. S.297
  • 3 Bouwman MG, de Ru MH, Linthorst GE. et al. Fabry patients’ experiences with the timing of diagnosis relevant for the discussion on newborn screening. In: Mol Genet Metab 2013; 109: 201-207
  • 4 Cimaz R, Guillaume S, Hilz MJ. et al. Awareness of Fabry disease among rheumatologists – current status and perspectives. In: Clin Rheumatol 2011; 30: 467-475
  • 5 Cimaz R, Vijay S, Haase C. et al. Attenuated type I mucopolysaccharidosis in the differential diagnosis of juvenile idiopathic arthritis: a series of 13 Patients with Scheie syndrome. In: Clin Exp Rheumatol 2006; 24: 196-202
  • 6 Das A, Lagler M, Beck M. et al. Lysosomal Storage Disease: Challenges in Multiprofessional Patient Care with Enzyme Replacement Therapy. In: Klin Pädiatr 2017; 229: 168-174
  • 7 Deegan PB, Baehner AF, Barba Romero M-Á. et al. Natural history of Fabry disease in females in the Fabry Outcome Survey. In: J Med Genet 2006; 43: 347-352
  • 8 Ellaway C. Diagnostic dilemma and delay in Fabry disease: Insights from a case series of young female patients. In: Journal of Paediatrics and Child Health 2015; 51: 369-372
  • 9 Edward KL, Welch T. The extension of Colaizzi’s method of phenomenological enquiry. In: Contemp Nurse 2011; 39: 163-171
  • 10 Gabrielli O, Clarke LA, Ficcadenti A. et al. 12-year follow up of enzyme-replacement therapy in two siblings with attenuated mucopolysaccharidosis I: the important role of early treatment. In: BMC Medical Genetics 2016; 17: 19
  • 11 Garrino L, Picco E, Finiguerra I. et al. Living With and Treating Rare Diseases: Experiences of Patients and Professional Health Care Providers. In: Qual Health Res 2015; 25: 636-651
  • 12 Horowitz N, Moshkowitz M, Halpern Z. et al. Applying data mining techniques in the development of a diagnostics questionnaire for GERD. In: Dig Dis Sci 2007; 52: 1871-1878
  • 13 Jung H, Kim B, Lee I. et al. Detection of masses in mammograms using a one-stage object detector based on a deep convolutional neural network. PLoS One. 2018; Sep 18 13: e0203355 doi:10.1371/journal.pone.0203355 eCollection 2018
  • 14 Lehman TJA, Miller N, Norquist B. et al. Diagnosis of the mucopolysaccharidoses. In: Rheumatology 2011; 50: v41-v48
  • 15 Maghooli K, Langarizaden M, Shahmoradi L. et al. Differential Diagnosis of Erythmato-Squamous Diseases Using Classification and Regression Tree. In: Acta Inform Med 2016; 24: 338-342
  • 16 Mehta A, Ricci R, Widmer U. et al. Fabry Disease defined: baseline clinical manifestations of 366 patients in the Fabry Outcome Survey. In: Eur J Clin Invest 2004; 34: 236-242
  • 17 Mistry PK, Sadan S, Yang R. et al. Consequences of diagnostic delays in type 1 Gaucher disease: The need for greater awareness among Hematologists-Oncologists and an opportunity for early diagnosis and intervention. In: Am J Hematol 2007; 82: 697-701
  • 18 Mücke U, Klemann C, Baumann U. et al. Patient’s Experience in Pediatric Primary Immunodeficiency Disorders: Computerized Classification of Questionnaires. In: Front Immunol. 2017; DOI: 10.3389/fimmu.2017.00384.
  • 19 Müller T, Jerrentrup A, Schäfer JR. Computerunterstützte Diagnosefindung bei seltenen Erkrankungen. In: Internist 2017; DOI: 10.1007/s00108-017-0218-z.
  • 20 Naydenova E, Tsanas A, Howie S. et al. The power of data mining in diagnosis of childhood pneumonia. In: JR. Soc. Interface 2016; DOI: 10.1098/rsif.2016.0266.
  • 21 Obermeyer Z, Emanuel EJ. Predicting the Future — Big Data, Machine Learning, and Clinical Medicine. In: N Engl J Med 2016; 375: 1216-1219
  • 22 Olsen TG, Jackson BH, Feeser TA. et al. Diagnostic Performance of Deep Learning Algorithms Applied to Three Common Diagnoses in Dermatopathology. J Pathol Inform 2018; 9: 32 doi:10.4103/jpi.jpi_31_18. eCollection 2018
  • 23 Ramnarayan P, Tomlinson A, Rao A. et al. ISABEL: a web-based differential diagnostic aid for paediatrics: results from an initial performance evaluation. In: Arch. Dis. Child 2003; 88: 408-413
  • 24 Rother A-K, Schwerk N, Brinkmann F. et al. Diagnostic Support for Selected Paediatric Pulmonary Diseases Using Answer-Pattern Recognition in Questionnaires Based on Combined Data Mining Applications – A Monocentric Observational Pilot Study. In: PLOS ONE 2015; 10: e0135180
  • 25 Shapiro EG, Nestrasil I, Delaney KA. et al. A prospective natural history study of Mucopolysaccharidosis Type IIIA. In: J Pediatr. 2016; 170: 278-287
  • 26 Soni-Jaiswal A, Mercer J, Jones SA. et al. Mucopolysaccharidosis I; Parental beliefs about the impact of disease on the quality of life of their children. In: Orphanet J Rare Dis 2016; 11: 96
  • 27 Strauss AL, Corbin JM. Grounded theory : Grundlagen qualitativer Sozialforschung. Beltz Psychologie Verlags Union 1996 S.148ff.
  • 28 Wraith JE, Beck M, Lane R. et al. Enzyme Replacement Therapy in Patients Who Have Mucopolysaccharidosis I and Are Younger Than 5 Years: Results of a Multinational Study of Recombinant Human -L-Iduronidase (Laronidase). In: Pediatrics 2007; 120: 37-46
  • 29 Zhang X, Klawonn F, Grigull L et al. VoQs : A Web Application for Visualization of Questionnaire Surveys.
  • 30 Zhang X, Wang S, Liu J. et al. Towards improving diagnosis of skin diseases by combining deep neural network and human knowledge. BMC Med Inform Decis Mak 2018; Jul 23 18 (Suppl. 02) 59 doi:10.1186/s12911-018-0631-9