MEDIKUS

Modellbildung und Diagnose in komplexen Wissensbereichen an den Beispielen Umweltmedizin und Humangenetik

Einleitung
Modellbildung und Diagnose in der Medizin sind komplexe Problemlöseprozesse. Eine Unterstützung der Modellbildung und Diagnose ist gerade in den Bereichen der Medizin wichtig, die stark vernetzt sind und in denen ein besonders hoher Forschungsbedarf besteht. Existierende Systeme zur Unterstützung des medizinischen Problemlösens geben diagnostische Empfehlungen, sie erlauben jedoch nur in sehr eingeschränktem Maße das Training diagnostischen Schließens und entsprechender Strategien. Darüber hinaus wird in diesen Systemen die Bildung und Revision von Erklärungsmodellen nicht unterstützt.

EXPLAIN-MEDIKUS (Modellierung, Erklärung und Diagnoseunterstützung bei komplexen, unsicheren Sachverhalten) ist ein wissensbasiertes Werkzeug, das die Bildung von Erklärungsmodellen sowie diagnostische Strategien in Wissensbereichen unterstützt, die komplex, vernetzt und mit Unsicherheit behaftet sind. Exemplarische Wissensbereiche sind Teilgebiete der Umweltmedizin und der Humangenetik.

EXPLAIN-MEDIKUS ist auf die folgenden Teilziele gerichtet:

1. Entwurf und Implementierung einer intelligenten Design- und Modellierungsumgebung
   • zum Entwurf, zur Strukturierung und zur qualitativen und quantitativen Weiterentwicklung und Revision von Modellen umweltmedizinischer bzw. humangenetischer Sachverhalte
   • zur Unterstützung diagnostischer Vorgehensweisen und Strategien.
   Mit diesen beiden Komponenten richtet sich das Werkzeug vor allem an nichtspezialisierte Fachexperten (z.B. Allgemeinmediziner, die an einer Fortbildung im Bereich der Umweltmedizin bzw. Humangenetik interessiert sind) und an Personen, die im Rahmen des Umweltmonitoring chemisch-technische Untersuchungen planen, durchführen und auswerten.
2. Untersuchung, Einsatz und ggfs. Weiterentwicklung von Methoden zur Repräsentation vernetzten, mit Unsicherheit behafteten Wissens, zur Wissensakquisition, zur Wissensvermittlung und -kommunikation und zur Erklärung von Inferenzen. Unsicheres Wissen wird in dem System mit Bayes-Netzen repräsentiert, weil sie die Beurteilung von Erklärungshypothesen und diagnostischen Schritten auf qualitativer und quantitativer Ebene gestatten.
3. Einsatz des Systems zur Entscheidungsunterstützung und damit als Beitrag zur Qualitätssicherung beim Umweltmonitoring / bei der Expositionsdiagnostik, sowie für Fortbildungszwecke.

Derzeitiger Leistungsumfang von EXPLAIN-MEDIKUS
EXPLAIN-MEDIKUS umfaßt gegenwärtig die folgenden Komponenten:

• einen linguistischen Modelleditor, der eine vereinfachte natürlichsprachliche Darstellung von Wissen ermöglicht und so die Modellbildung für den Benutzer einfach und komfortabel macht. Der Modelleditor enthält eine Grammatik, die semantische Restriktionen berücksichtigt.
• einen graphischen Modelleditor, in dem ein Erklärungsmodell direkt als Bayes-Netz aufgebaut werden kann. Knoten repräsentieren diskrete, zwei- oder mehrwertige Variablen. Kanten repräsentieren direkte Abhängigkeiten zwischen den Variablen. Die Abbildung zeigt einen kleinen Ausschnitt zum Themenbereich Umweltmedizin. Im oberen Bereich des Netzes sind einige potentiell krankheitsauslösende Faktoren dargestellt, hier u.a. BTX-Aromaten (Benzol, Toluol, Xylol), die als Noxen eingestuft werden. Daneben sind jedoch auch einige andere Faktoren dargestellt, die im Rahmen einer Anamnese untersucht werden müssen, wie etwa die Einnahme von Medikamenten. Im mittleren Bereich des Netzes sind mögliche Syndrome, im unteren Bereich konkrete Symptome aufgeführt.
• einen Übersetzer, der in dem Modelleditor konstruierte Sätze automatisch in einen Graphen überführt, und umgekehrt.
• eine Komponente zur qualitativen Validierung bzw. Revision des Graphen. Der Benutzer spezifiziert für konkrete Fallbeschreibungen diagnostische Hypothesen und benennt weitere benötigte diagnostische Information. Aus diesem Dialog können bedingte und unbedingte Abhängigkeits- und Unabhängigkeitsbeziehungen zwischen den Variablen des Graphen gewonnen werden, die mit dem vorhandenen Graphen verglichen werden können. Bei Abweichungen erhält der Benutzer Rückmeldungen und ggfs. Vorschläge zur Revision des Graphen sowie Erklärungen dieser Vorschläge.
• eine Komponente zur Quantifizierung der Kanten des Graphen durch Angabe von Aprioriverteilungen und von bedingten Verteilungen. Nach Eingabe dieser Verteilungen berechnet das System Randverteilungen. Werden zusätzlich Beobachtungen bzw. Evidenzen eingegeben, so berechnet das System gewünschte Aposterioriverteilungen. Damit sind Aussagen über die Plausibilität von Erklärungshypothesen und über die Angemessenheit diagnostischer Schritte möglich.
• eine Komponente zur Unterstützung bei der Bildung diagnostischer Hypothesen und Untersuchungsschritte. Auch hier spezifiziert der Benutzer zunächst Ausgangsinformationen, z.B. anamnestische Daten. Bei Bedarf erhält er Information über die im Lichte bekannter Fakten (z.B. Anamnese-/ klinische Daten) wahrscheinlichsten diagnostischen Hypothesen sowie Informationen darüber, welche Untersuchungsschritte jeweils sinnvoll sind und welche nicht. In dem dargestellten Beispiel schlägt das System z.B. zunächst die Untersuchung relativ unspezifischer Symptome wie Kopfschmerzen oder Husten vor. Die Untersuchung auf spezifischere Symptome wie Schleimhautnekrosen, Blutgerinnungsstörungen usw. wird erst bei begründetem Verdacht empfohlen.

Abbildung 1: Ausschnitt einer exemplarischen Wissensbasis zum Themenbereich Umweltmedizin

Kooperationen
Bezüglich der Umweltmedizin bestehen Kooperationen mit verschiedenen Institutionen des öffentlichen Gesundheitswesens.
Bezüglich der Humangenetik besteht eine Kooperation mit der Genetischen Beratungsstelle des Instituts für Humangenetik und Anthropologie der Universität Heidelberg.
Von seiten der Umweltmedizin besteht ein besonderes Interesse am Einsatz und an der Weiterentwicklung des Systems zur Unterstützung der Qualitätssicherung im Bereich des Umweltmonitoring, d.h. bei der Planung und Durchführung von Wohnraum- und Arbeitsplatzbegehungen sowie bei der Auswertung der Proben (z.B. Innenraumluftproben). Hier sind entsprechende Applikationen geplant. Ähnlich sollen im Bereich der Humangenetik für die Beratungspraxis nutzbare Applikationen entwickelt werden.

• Medikus Broschüre
• Einführung in Bayes-Netze

• Interaktives Beispiel: Chorea Huntington

Literatur:

FOLCKERS, J., MÖBUS, C., SCHRÖDER, O., THOLE, H.-J., An Intelligent Problem Solving Environment for Designing Explanation Models and for Diagnostic Reasoning in Probabilistic Domains, in C. FRASSON, G. GAUTHIER, A. LESGOLD (eds), Intelligent Tutoring Systems, Proceedings of the Third International Conference ITS 96, Montreal, June 1996, Berlin: Springer (LNCS 1086), 1996 (HTML, Postscript gepackt)

FOLCKERS, J., MÖBUS, C., SCHRÖDER, O., THOLE, H.-J., Supporting the Construction of Explanation Models and Diagnostic Reasoning in Probabilistic Domains, In D.C. Edelson, E.A. Domeshek (eds): Proceedings of the International Conference on the Learning Sciences ICLS 96, Charlottesville, VA: AACE, 1996, S. 60-67 (HTML, Postscript gepackt)