Human Centered Computing

Kollaborative Wissensmodellierung im Kontext von Therapieoptionen

Graph
Graph
Modellierung
Modellierung
Fach: Information Visualization/Interaction Design
Abschluss: Master of Science (M.Sc.)

Inhalt

Therapie-Entscheidungen bei komplizierten Krankheiten (z.B. bösartige Tumore) basieren zumeist auf der Abstimmung vieler Experten aus verschiedenen medizinischen Fachbereichen (z.B. aus der Chirurgie, Strahlentherapie, Pathologie, Radiologie). Diese kollaborativen Abstimmungsprozesse haben das Ziel, die bestmögliche Therapie für den jeweilige Patienten zu bestimmen. In der Praxis sind aber die in diesen Entscheidungsprozess eingehenden Informationen komplex. Neben den persönlichen Patientendaten (z.B. seine Vorerkrankungen), müssen eine Vielzahl von Therapiemöglichkeiten berücksichtigt werden. Neue Untersuchungsmethoden erhöhen die Anzahl der Therapiemöglichkeiten und damit die Vielfalt von Therapieoptionen, die häufig in der Praxis nicht mehr überblickt werden können. Abhilfe soll hier eine neuartige klinische Software bringen, welches erlaubt, Therapieentscheidungen basierend auf Multi-Instanz Bayesschen Netzen (engl. Multi-Entity Bayesian Network, kurz: MEBN), zu modellieren und zu simulieren.

MEBN sind probabilistische graphische Modelle; das graphische Modell beschreibt mit Knoten die Variablen (z.B. Anatomie oder Physiologie des Patienten oder des Tumors, Therapien und Risken) und mit gerichtete Kanten zwischen den Knoten deren direkte Abhängigkeiten. Der Vorteil von MEBN ist, dass umfangreiche und komplexe Therapieentscheidungen in kleine übersichtliche Untermengen aufgeteilt werden können. Unterschiedliche Experten können damit verschiedene Therapieentscheidungen modellieren (Teilnetze), die dann am Ende zu einem Gesamtnetz verbunden werden. Erste Nutzertests konnten bereits zeigen, dass allein das graphische Modell der MEBN  beim Verständnis komplizierter Zusammenhänge hilft und zu einer verbesserten Transparenz und Reproduzierbarkeit der Therapieentscheidungen führt. Das Problem mit der aktuellen Software ist aber, dass neben dem medizinischen Wissen, auch Kenntnisse zu MEBN notwendig sind sowie eine spezielle MEBN Modellierungssoftware eingesetzt werden muss. Die Modellierung bildet aber die zentrale Voraussetzung für den Einsatz der Software während der kollaborativen Abstimmungsprozesse.

Das Ziel der  Masterarbeit ist es daher, eine web-basierte kollaborative Wissensmodellierungsplattform prototypisch zu entwickeln und zu testen, die es Experten erlaubt, gemeinschaftlich medizinische Fragestellungen zu modellieren. WDieser Modellierungsprozess soll dabei auf bereits vorhandenes medizinisches Wissens aus bestehenden Wissenssammlungen (z.B. medizinische Nomenklaturen, wie SNOMED CT) zurückgreifen, um eine Modellierung auf einem kontrollierte Vokabular sicherzustellen.  

Kooperationspartner

  • MEBN-Experten des ICCAS
  • Medizinern des Universitätsklinikums Leipzig

Referenzen

  • van der Gaag, Linda C., et al. "Probabilities for a probabilistic network: a case study in oesophageal cancer." Artificial Intelligence in medicine 25.2 (2002): 123-148.
  • Cypko, M. A., et al. "Web-tool to Support Medical Experts in Probabilistic Modelling Using Large Bayesian Networks With an Example of Hinosinusitis."Studies in health technology and informatics 216 (2014): 259-263.