Donnerstag, 29. Juni 2017
Benutzername
Passwort
Registrieren
Passwort vergessen?

Home
e-journal
Der Aktuelle Fall
CME online
News
Gesundheitspolitik
Fachgesellschaften
Therapiealgorithmen
Videos
Veranstaltungen
Broschüren


Suche
Archiv
Buchbestellung
Newsletter
Probe-Abo
Impressum


journalmed.de


Anzeige:
 
 

JOURNAL ONKOLOGIE – Artikel
Zurück
Zurück
E-Mail
Email
Drucken
Drucken
Zum Bewerten bitte anmelden!
18. Oktober 2016

Interaktive Definition von Patientenkohorten durch Visual Computing

Jede Krankengeschichte ist einzigartig. Doch es gibt auch Gemeinsamkeiten. Was Ärzte besonders interessiert: Warum verschiedene Patienten auf eine bestimmte Therapie unterschiedlich reagieren. Ähnliche Fälle fassen die Mediziner in Gruppen, sog. Kohorten, zusammen, um daraus Rückschlüsse für zukünftige Behandlungen zu ziehen. Das Fraunhofer-Institut für Graphische Datenverarbeitung IGD in Darmstadt hat eine Software entwickelt, die es ermöglicht, rasch Gemeinsamkeiten aus digitalen Patientendaten herauszufiltern und übersichtlich darzustellen.
Anzeige:
 
 

Die Entscheidung über therapeutische oder palliative Maßnahmen bei Krebs offenbart die Notwendigkeit und die Herausforderungen der personalisierten Medizin besonders deutlich. Die individuelle Disposition und die Krankengeschichte eines Patienten machen es schwierig, vorhandenes Wissen über andere Fälle auf den aktuellen Patienten zu übertragen. Die Aufklärung des Patienten und die Bewertung der therapeutischen Optionen durch den Arzt ist ein Abwägen mit mehr Fragen als Antworten.

Evidenzbasierte Medizin würde nicht funktionieren, wenn jeder Patient eine Ausnahme von der Regel wäre. An der Schnittstelle zwischen klinischer Forschung und Praxis stellt sich aber die Frage, wie die Regeln für belastbare Prognosen überhaupt gefunden und auf den Patienten individuell angewendet werden können. Jeder Arzt kann sich – bewusst oder unbewusst – die Frage stellen, welche Fälle aus der Vergangenheit als Evidenz für eine Prognose herangezogen werden können. Die Entwicklung und Beschreibung von Kohorten vergleichbarer Patienten ist nicht ohne Grund eine der zentralen Aufgaben in der medizinischen Forschung.

Wir stellen in diesem Artikel Verfahren der visuellen Datenanalyse vor, die die Suche nach Kohorten deutlich vereinfachen sollen. Diese Verfahren ergänzen damit statistische Methoden, mit denen getestet werden kann, ob eine bereits definierte Kohorte relevante Schlussfolgerungen erlaubt. Statistische Methoden helfen jedoch nur bei der Bewertung, nicht bei der Suche. Die Herausforderung bei der Suche soll folgende Zahl verdeutlichen: Angenommen, der untersuchte Datenbestand enthalte die Daten von 300 Patienten, dann ist die theoretische Anzahl aller möglichen Kohorten ungefähr 2x1090 (etwa die Größenordnung der Anzahl Atome im bekannten Universum). Die methodische Suche nach Kohorten, die Patienten nicht zufällig enthalten und zudem noch wertvolle Aussagen liefern, wird durch die visuelle Analyse wesentlich erleichtert.

Das Fraunhofer IGD entwickelt Analysemethoden für die Martiniklinik am Universitätsklinikum Hamburg Eppendorf. Ärzte dieser Spezialklinik für die Behandlung von Prostatakrebs nutzen einen Datenbestand von inzwischen etwa 20.000 Patienten. Zu diesen Analysemethoden gehören auch Techniken für die Darstellung der Patientendaten. Zwar gehört die visuelle Übersicht aller Daten eines Patienten inzwischen schon zur klinischen Praxis, für die Suche nach Gemeinsamkeiten zwischen vielen Patienten sind jedoch andere Darstellungstechniken notwendig. Die Analysemethode sollte möglichst viele Patienten und möglichst viele Vergleichskriterien gleichzeitig sichtbar machen. In Zusammenarbeit mit den Ärzten entstand eine Darstellung, die z.B. biologische Marker, Ergebnisse aus der Histologie, Krankheitsverläufe und Therapien gemeinsam darstellt und zueinander in Bezug setzt (Abb. 1). Im Folgenden nennen wir alle diese Daten zusammenfassend „Marker“. Einige Sichten sind dabei spezifisch für Prostatakrebs und die zeitliche Entwicklung nach einer Resektion. Die meisten Sichten können jedoch unabhängig von der Krankheit eingesetzt werden. Balkendiagramme zeigen die Verteilung einzelner Marker innerhalb der Patientenpopulation. Dies kann z.B. die Altersverteilung sein, die Operationsmethode oder die Zeit bis zum Rezidiv. Der Mediziner hat die Wahl zwischen einer Übersicht über alle Patienten und der detaillierten Darstellung eines oder weniger Patienten. Dabei passt sich das Design automatisch an die Anzahl an.
 

Abb. 1: Visuelle Datenanalyse für die Erstellung von Patientenkohorten. (Zur Verfügung gestellt vom Fraunhofer IGD).
Abb. 1: Visuelle Datenanalyse für die Erstellung von Patientenkohorten. (Zur Verfügung gestellt vom Fraunhofer IGD).


 
Interaktive Kohortenanalyse auf RSNA 2016
27.11. bis 02.12.2016 – McCormick Place, Chicago, USA

Das Fraunhofer-Institut für Graphische Datenanalyse IGD stellt auf der RSNA 2016 in Chicago ihr neues Werkzeug für die visuell-interaktive Datenanalyse vor, mit der die Suche von Patientenkohorten mittels Visual Computing innerhalb weniger Minuten erfolgen kann.

Auf der RSNA 2016 diskutieren internationale Experten vom 27. November bis zum 2. Dezember unter dem Motto „Beyond Imaging: Maximizing Radiology’s Role in Patient Care“ zukünftige Herausforderungen, Chancen und die neusten Technologien bei der Behandlung von Patienten durch Radiologie. Das Fraunhofer-Institut für Graphische Datenverarbeitung IGD stellt zusammen mit dem Fraunhofer-Institut für Bildgestützte Medizin MEVIS und der Fraunhofer-Projektgruppe für Automatisierung in der Medizin und Biotechnologie PAMB auf einem Gemeinschaftsstand im German Pavillon (2565 C, South Hall A) neue Technologien aus dem Bereich der Radiologie vor.

www.rsna.org/Annual_Meeting.aspx
 


Die Sichtung der Patientendaten ist jedoch nur der erste Schritt. Typischerweise folgt anschließend die Formulierung einer Hypothese, die Zusammenstellung der Daten für den statistischen Test und schließlich der Test und die Auswertung. Das Problem: Es handelt sich um einen aufwändigen Prozess mit mehreren Medienbrüchen (u.a. zwischen Patientenakten, Tabellenkalkulation und Statistiksoftware), der mehrere Stunden bis Tage erfordern kann. Und erst die Auswertung durch den statistischen Test zeigt, ob die Arbeit überhaupt erfolgreich war.

Unsere Lösung erleichtert diesen Prozess durch eine Vorbewertung „auf Knopfdruck“. Die Kohorte kann dafür innerhalb der Darstellung interaktiv und frei verändert werden. So können Patienten innerhalb einer bestimmen Altersgruppe, mit einer bestimmten Therapie und/oder mit einem bestimmten Marker zur Kohorte gefügt werden. Da alle Sichten die statistische Verteilung der Marker über die gesamte Population darstellen, dienen sie gleichzeitig auch als Filter. Nach jeder Veränderung der Kohorte werden alle Sichten und Statistiken automatisch neu berechnet. Für den Forscher besonders relevant sind vor allem die Statistiken, die die gewählte Kohorte mit der Referenzpopulation vergleichen. Alle Marker, bezüglich derer die gewählte Kohorte von der Referenzpopulation besonders abweicht, werden – wiederum innerhalb der Darstellung – besonders hervorgehoben. Aus Hunderten von Markern können so jene ausgewählt werden, die die Gemeinsamkeiten der gewählten Patienten charakterisieren.

Nutzung

Das bedeutet insbesondere, dass nicht jeder Marker einzeln „von Hand“ auf Auffälligkeiten getestet werden muss. Es werden vielmehr alle in den Daten verfügbaren Marker getestet. Der medizinische Forscher kann sich auf die Interpretation der Auffälligkeiten konzentrieren. Eine typische Herangehensweise besteht darin, eine Kohorte aus solchen Patienten zusammenzustellen, die einen gemeinsamen Endpunkt erreichen. Für die Prognose interessant sind nun von einem Patienten ex-ante bekannte Marker, die gleichzeitig spezifisch für diese Kohorte sind. Wenn die Fragestellung auf eine Teilpopulation eingeschränkt werden soll, dann kann diese durch Kombination mehrerer Filter definiert werden.

Eine umgekehrte Herangehensweise ist die Auswahl von Patienten mit einer bestimmten Disposition oder Therapie. Entsprechend kann untersucht werden, welche Endpunkte diese Patientengruppe überdurchschnittlich häufig oder selten erreichen. Ebenso wird sichtbar, ob Marker als Kofaktoren oder als Störfaktoren beim später folgenden statistischen Test berücksichtigt werden müssen. Die Ergebnisse dieser Suche sind immer die Definition einer Kohorte und eine Auswahl relevanter Marker, die nicht zu dieser Definition gehören dürfen. In diesem Fall existiert ein nicht-trivialer Zusammenhang, der als statistisch zu prüfende Hypothese formuliert werden kann. An dieser Stelle setzen die Prüfmethoden für die statistischen Tests wieder an.

Nicht zuletzt kann die Methode auch für die Bewertung existierender Kohorten oder Stratifikationen eingesetzt werden. Dies wird z.B. notwendig, wenn neue Marker in den Datenbestand aufgenommen werden. Auch hier liefert die Sichtung Informationen über die Aussagekraft der Kohorte bezüglich der anderen Marker oder Informationen über mögliche Störeinflüsse, welche eventuell noch gar nicht berücksichtigt wurden.

Die Analysemethode integriert den Prozess der Sichtung großer Patientendatenbestände und deren Handhabung bei der Erstellung von Kohorten. Ebenso integriert sie automatische und interaktive Datenverarbeitung. Dafür wurde beim Design der typische Ablauf der Entwicklung von Kohorten für Studien untersucht. Die wichtigste Unterscheidung hierbei war, welche der einzelnen Schritte überhaupt medizinische Entscheidungen erforderten. Die Zusammenstellung der Daten nach der Auswahl der Kohorte und die Berechnung der Statistiken sind technische Operationen, die vollständig automatisiert werden konnten. Die Sichtung und Auswahl der Kohorten, die Bewertung einzelner Marker und ihrer Korrelationen und die Erstellung der Hypothese erfordern dagegen medizinische Expertise, die durch die interaktive Visualisierung unterstützt wird.

Die Automatisierung erweitert den Fokus der Analyse; diese wird damit dem wachsenden Umfang der Datenbestände, die gesammelt, aber bisher nicht genutzt werden, überhaupt erst gerecht. Durch die visuelle Analyse ist es möglich, Bezüge zu finden, nach denen man nicht direkt gesucht hat; und das, ohne die Schärfe statistischer Testverfahren aufzugeben. Durch die systematische Vorbewertung aller verfügbaren Marker können die Schwächen einer zu fokussierten Analyse entschärft werden. Die medizinische Expertise wird durch die Automatisierung technischer Operationen nicht ersetzt, sondern aufgewertet. Die visuelle Analyse beruht auf der Idee, dass neuwertige Ergebnisse sowohl auf der Grundlage von Daten als auch auf der Grundlage von Erfahrung entwickelt werden müssen. Dieses Wissen wird bei der Sichtung, Suche und Bewertung in die Analyse eingebracht.


 
Dr.-Ing. Thorsten May Dr.-Ing. Thorsten May

Fraunhofer-Institut für  Graphische Datenverarbeitung
Fraunhoferstr. 5
64283 Darmstadt

Tel.: 06151/155-638
Fax: 06151/155-139
E-Mail: thorsten.may@igd.fraunhofer.de










 
Prof. Dr.-Ing. Jörn Kohlhammer Prof. Dr.-Ing. Jörn Kohlhammer

Fraunhofer-Institut für Graphische Datenverarbeitung
Fraunhoferstr. 5
64283 Darmstadt

Tel.: 06151/155-646
Fax: 06151/155-139
E-Mail: joern.kohlhammer@igd.fraunhofer.de












 
ABSTRACT

T. May, J. Kohlhammer, Fraunhofer-Institut für Graphische Datenverarbeitung IGD, Darmstadt
 

Every medical history is unique. Still, there are some commonalities. What doctors are especially interested in is why various patients react differently to a certain therapy. Doctors group similar cases together in so-called cohorts in order to draw conclusions for future treatments. The Fraunhofer Institute for Computer Graphics Research IGD in Darmstadt developed a software that makes it possible to quickly filter out similarities from digital patient data and to visualize these clearly.
 

Keywords: Visual Computing, Visual Analytics, data analysis, cancer, therapy, healthcare analytics
Zurück
Zurück
E-Mail
Email
Drucken
Drucken
Zum Bewerten bitte anmelden!
Anzeige:
 
 
Anzeige:
 
 
 
 
Themen
CUP
NET
Nutzen Sie auch die Inhalte von journalmed.de, um sich zu Informieren.
Mediadaten
Hilfe
Copyright © 2014 rs media GmbH. All rights reserved.
Kontakt
Datenschutz
AGB
Fakten über Krebs
 
ASCO 2017