Entwicklung und Testung eines datenbasierten Diagnosealgorithmus für vestibuläre Erkrankungen im Bereich der hausarztzentrierten Versorgung

Grözinger, Michael (2021): Entwicklung und Testung eines datenbasierten Diagnosealgorithmus für vestibuläre Erkrankungen im Bereich der hausarztzentrierten Versorgung. Dissertation, LMU München: Medizinische Fakultät

Abstract

Mit einer Lebenszeitprävalenz von etwa 30% und steigender Inzidenz mit dem Alter ist Schwindel eines der häufigsten Leitsymptome und stellt für Patient:innen eine schwere Beeinträchtigung des täglichen Lebens dar [1]. Die oft unklare Symptomlage und fehlende Erfahrung im hausärztlichen Bereich führt häufig zu falscher Einordnung, somit zu erfolglosen Behandlungsversuchen [2]. Die Diagnose wird dadurch erschwert, dass sich häufig Symptome verschiedener Schwindelerkrankungen überlagern [4]. Somit ist es von Interesse, Ärzt:innen Möglichkeiten an die Hand zu geben, dass sie Schwindelerkrankungen in einem ersten Schritt zuverlässiger einordnen können. Die ersten Ansätze für die Klassifizierung von Schwindelerkrankungen mit den anfangs verfügbaren einfachen Modellen waren jedoch nicht vielversprechend genug, um weiter verfolgt zu werden [9]. Die Fragestellung dieser Arbeit war es daher, zu untersuchen, ob diese Verfahren in ihren weiterentwickelten Formen anhand symptomorientierter Charakteristika der Patient:innen dazu in der Lage sind, vestibuläre Erkrankungen zu differenzieren. Es war zudem wichtig, welche vestibulären Symptome besonders relevant für die Vorhersagegüte sein könnten. In beiden Studien wurden Daten aus der DizzyReg Patientendatenbank des Deutschen Schwindel- und Gleichgewichtszentrum verwendet [14]. Aus der Vielzahl der Machine Learning Modelle [13, 18] fiel die Wahl für die Differenzierung von Morbus Menière und vestibulärer Migräne, aufgrund ihrer Leistung in anderen medizinischen Anwendungen [9], auf die Modelle Deep Neural Networks [13] und der Boosted Decision Trees [29]. Für die Klassifizierung mit möglichst großer Transparenz zur Entscheidung und die Ermittlung der Relevanz der Variablen wählten wir Classification and Regression Trees und Random Forests aus. CART bieten den Vorteil, dass sie eine visuelle Darstellung bereitstellen, die die menschliche Entscheidungsfindung nachbildet [25]. Gemittelt über alle fünf imputierten Datensätze ergab sich mit einem DNN für MM ein F-Measure von 55,5% (Accuracy 91,4%). Zum Vergleich erreichten wir mit DNN für VM ein F-Measure von 36,8% (Accuracy 81,8%). Boosted Decision Trees, trainiert auf VM, ergaben lediglich ein F-Measure von 27,6% und eine Accuracy von 84,5%. Aus den Experimenten mit den CART wurden acht Variablen als relevant ermittelt. Als übergeordnete Genauigkeit bei der Klassifizierung aller sieben Diagnosen ergab eine Genauigkeit von 42,2%. DNN lieferten sehr gute Klassifizierungsergebnisse, aber aufgrund der inhärenten Struktur des Modells nicht die geforderte Transparenz. Die bei der gleichzeitigen Klassifizierung der häufigsten Diagnosen verwendeten Algorithmen basieren auf einem transparenten Ansatz. Sie können für eine initiale Triage der Patient:innen verwendet werden, aber es muss sich eine klinische Untersuchung der vestibulären und okularen Funktionen anschließen, um die Genauigkeit der Diagnose zu verbessern. Für eine abschließende Beurteilung ist noch weitere Forschung not-wendig.

Abstract

With a lifetime prevalence of about 30% and an increasing incidence with age, dizziness is one of the most common symptoms and represents a severe impairment of daily life for patients [1]. The often-unclear symptoms and lack of experience with general practitioners often lead to incorrect classification and thus to unsuccessful attempts at treatment [2]. The diagnosis is complicated by the fact that symptoms of different vertigo diseases often overlap [4]. Therefore, it is of interest to provide general practitioners with possibilities to classify dizziness more reliably in a first step. However, the initial approaches to classify vertigo disorders with the sim-ple models available at the beginning were not promising enough to be pursued further [9]. The question of this work was therefore to investigate whether these methods in their more developed forms can differentiate vestibular disorders based on symptom-oriented patient characteristics. It is also important to determine which vestibular symptoms might be particular-ly relevant to predictive accuracy. In both studies, data from the DizzyReg patient database of the German Schwindel- und Gleichgewichtszentrum were used [14]. From the multitude of machine learning models [13, 18], the choice for differentiating Meniere's disease and vestibular migraine fell on the Deep Neural Networks and Boosted Decision Trees [29] models, due to their performance in other medical applications [9]. We selected Classification and Regression Trees for classification with the greatest possible transparency and for determining the relevance of variables. They offer the advantage of providing a visual representation that mimics human decision making [25]. Averaged over all five imputed datasets, a DNN for Menière’s Disease yielded an F-measure of 55.5% (accuracy 91.4%). In comparison, with DNN for Vestibular Migraine we achieved an F-Measure of 36.8% (Accuracy 81.8%). Boosted decision trees trained on Vestibular Migraine yielded only an F-Measure of 27.6% and an accuracy of 84.5%. Eight variables were determined to be relevant from the experiments with the CART. The overall accuracy when classifying all seven diagnosis yielded a result of 42.2%. DNN achieved very good classification results but did not provide the required transparency due to the inherent structure of the model. The algorithms used in the classification of the most common diagnoses are based on a transparent approach. They can be used for initial triage of patients but must be followed by clinical examination of vestibular and ocular functions to im-prove the accuracy of the diagnosis. More research is needed to make a final assessment.

• Dokumententyp: Dissertationen (Dissertation, LMU München)
• Themengebiete: 600 Technik, Medizin, angewandte Wissenschaften ; 600 Technik, Medizin, angewandte Wissenschaften > 610 Medizin und Gesundheit
• Fakultäten: Medizinische Fakultät
• Sprache der Hochschulschrift: Deutsch
• Datum der mündlichen Prüfung: 11. November 2021
• 1. Bericht­erstatter:in: Grill, Eva