Wissensbasierte Diagnose- und Therapieunterstützung
Der enorme Wissenswandel innerhalb der Medizin und das Hinzukommen immer neuer Methoden und Datenmodalitäten führt zu einer Veränderung des Selbstverständnisses des ärztlichen Berufes. Ein Arzt nimmt gegenüber seinen Patienten zunehmend die Rolle eines Gesundheitsmanagers ein und ist damit verantwortlich für die angemessene Nutzung und Interpretation der über den Klienten vorhandenen Information, den systematischen Einsatz vorhandenen Wissens in der medizinischen Versorgung und bei der Koordination interdisziplinärer Behandlungsteams. Dabei können wissensbasierte Systeme dem Arzt und zunehmend auch dem Klienten selbst beratend zur Seite stehen und einen wesentlichen Bestandteil qualitativ hochwertiger und gleichzeitig bezahlbarer Medizin und Prävention bedeuten.
Ziel dieses Forschungsschwerpunkts ist es, Methoden und Werkzeuge zur wissensbasierten Entscheidungsunterstützung bei unterschiedlichen Aufgaben in der medizinischen Versorgung und Forschung sowie der Prävention zu entwickeln, einzuführen und zu bewerten. Da Entscheidungsunterstützung sich in Versorgungskontexten abspielt, sind Überlappungen zu Health Data Management und Mustererkennung natürlich und gewünscht.
Methodenentwicklung kennzeichnet die Arbeit in zwei Bereichen, wo aus vorhandenen Daten mehr oder hochwertigere Informationen gewonnen werden sollen als bisher möglich.
Zum einen geht es um bessere Interpretation analoger Information in Biosignalen: Massenspektrometrie-Daten in einem Projekt zur Diagnose von angeborenen Stoffwechselerkrankungen und in einem zweiten zur Identifizierung von Kohlehydratstrukturen führen bei Verwendung der klassischen Signalverarbeitungsmethoden zu unbefriedigender diagnostischer Trennschärfe bzw. unbefriedigender Genauigkeit der Stukturvorhersage. Es werden daher Lern- und fallvergleichende Verfahren zur Ergänzung der klassischen Verfahren erforscht.
Zum zweiten werden Methoden zur Gewinnung weitergehender Schlüsse aus symbolischer Information etnwickelt: Ebenfalls fallvergleichend arbeitet ein Verfahren zur Warnung vor unerwünschten Arzneimittelwirkungen. Data mining Methoden werden verfeinert und evaluiert bei dem Versuch, im Internet wertvolle medizinische Quellen automatisch von nicht-medizinischen oder minder qualitativen medizinischen zu unterscheiden.
Zwei Projekte befassen sich mit Versorgungsprozessen in der stationären Versorgung: Wie verändert ein fallgruppen-pauschalisiertes Abrechungssystem solche Prozesse und wie können Leitlinien derart in die Versorgung eingebunden werden, dass Einflüsse auf die medizinische Ergebnisqualität messbar werden. Letzteres setzt auf einer Ontologie für einen TQM-artigen vollständigen Leitlinien-Lebenszyklus auf. In dieser Ontologie implementierte Leitlinien können auf verschiedenen Plattformen angezeigt und in patientenbezogenen Entscheidungen herangezogen sowie Erfahrungen bei der Implementierung und Anpassung systematisch ausgewertet und zur Prozessverbesserung genutzt werden.
Drei Projekte versuchen die Reichweite Wissensbasierter Technologie auszuweiten. In Chameleon dient ein Modells des Wissens und der Lernstile von Benutzern, computerunterstützte Lernsysteme flexibler zu gestalten und dadurch die Benutzerakzeptanz zu erhöhen. Im eHMIS-Projekt werden Datenmanagement, Gesundheitsberichtswesen und Entscheidungsunterstützung in den Dienst der Krankenversorgung in Krankenhäusern der Grundversorgung in Uganda gestellt. In DM2-LiP sind nicht Ärzte sondern medizinische Laien, die ein hohes Risiko, an Diabetes zu erkranken, die geplanten Benutzer.
Weitere Untersuchungen, die u.a. auch in eHMIS eine Rolle spielen, befassen sich mit Bedingungen für den stabilen und damit den rechtlichen Anforderungen verträglichen Betrieb von umfassenden Informationssystemen unter schnell variierenden Bedingungen. Klinische Partner in der medizininformatische Forschung sind Neonatologie, klinische Pharmakologie und Endokrinologie.
Ansprechpartner für den Forschungsschwerpunkt ist Prof. Dr. Thomas Wetter.
zurück
