Klin Padiatr 2019; 231(02): 60-66
DOI: 10.1055/a-0816-5681
Originalarbeit
© 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
› Institutsangaben
Weitere Informationen

Publikationsverlauf

Publikationsdatum:
10. Januar 2019 (online)

Zusammenfassung

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.

Abstract

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