DE19820276A1 - Berechnung des globalen Herzinfarktrisikos mittels neuronaler Netze aus Risikofaktoren - Google Patents
Berechnung des globalen Herzinfarktrisikos mittels neuronaler Netze aus RisikofaktorenInfo
- Publication number
- DE19820276A1 DE19820276A1 DE19820276A DE19820276A DE19820276A1 DE 19820276 A1 DE19820276 A1 DE 19820276A1 DE 19820276 A DE19820276 A DE 19820276A DE 19820276 A DE19820276 A DE 19820276A DE 19820276 A1 DE19820276 A1 DE 19820276A1
- Authority
- DE
- Germany
- Prior art keywords
- risk
- risk factors
- computation
- heart failure
- failure risk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Ceased
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Abstract
Es wird ein Verfahren zur "Berechnung des globalen Herzinfarktrisikos mittels neuronaler Netze aus Risikofaktoren" als Patent angemeldet. Das Verfahren beruht auf den Daten einer epidemiologischen Studie (PROCAM Studie) an 4849 Männern im Alter von 40 bis 65 Jahren, die zuvor noch keinen Herzinfarkt oder Schlaganfall erlitten hatten und in einem 8-jährigen Nachbeobachtungszeitraum bezüglich neu auftretender Herzinfarkte unter Beobachtung gehalten wurden. Zur Modellierung der PROCAM Daten wurde ein spezielles Multi-layer Perceptron-Netzwerk (neuronales Netzwerk) mit Standardsoftware (SPSS Inc. and Recognition Systems Inc.) unter Berücksichtigung folgender Parameter von uns entwickelt: Alter, Gesamt-, HDL- und LDL-Cholesterin, Triglyzeride, systolischer und diastolischer Blutdruck, antihypertensive Behandlung, derzeitiger und früherer Zigarettenkonsum, Diabetes mellitus, Behandlung des Diabetes mellitus (Diät, orale Antidiabetika, Insulin), Nüchternblutzucker, Harnsäure, Body Mass Index, Familiengeschichte für den Herzinfarkt und Angina pectoris. DOLLAR A Im Vergleich zu den bisher benutzten statistischen Verfahren zur Risikovorhersage mittels multipler logistischer Funktionsanalyse bzw. Weibull-Funktionen erlaubt das Verfahren bezüglich Sensitivität und Spezifität Aussagen zur Risikovorhersage für einen neuen Herzinfarkt, die bisher nicht möglich waren (Abbildung 1). So beträgt die Fläche unter der ROC-Kurve (Receiver-Operating-Characteristic-Kurve) statt 82,2% (multiple ...
Description
Neuste Empfehlungen zur Prädiktion der koronaren Herzkrankheit (KHK) und zur Entschei
dungsfindung, ob und mit welcher Intensität Risikofaktoren der KHK behandelt werden sollen,
basieren auf dem "globalen Risiko oder Gesamt-Risiko". Darunter versteht man die Erkennt
nis, daß für die Prognosestellung keine Risikofaktoren isoliert betrachtet werden können,
sondern daß für die fundierte klinische Beurteilung des Herzinfarktrisikos eines Patienten die
Zahl und der Schweregrad aller relevanten Faktoren gleichzeitig beurteilt werden müssen.
Das Gesamtrisiko für den Herzinfarkt unter Berücksichtigung der wichtigsten Risikofaktoren
wird bisher mit Risiko-Algorithmen ermittelt. Diese Risiko-Schätzungen wurden mittels
multivariater statistischer Verfahren [multiple logistische Funktion (MLF) oder Weibull
Funktionen] aus großen epidemiologischen Studien wie der Framingham-Heart-Study (Ci
rculation 1991, 83: 356-362; J Clin Epidemiol 1994, 47: 583-592) oder der vom Institut für
Arterioskleroseforschung an der Universität Münster durchgeführten "Prospektiven Cardiovas
kulären Münster (PROCAM)-Studie" abgeleitet (Am J Cardiol 1996, 77: 1179-1184).
Ein Schwachpunkt dieser Algorithmen ist die Tatsache, daß nur statistisch unabhängige, nicht
korrelierte Parameter berücksichtigt werden können. Variable, die ähnliche aber durchaus
verschiedene Information beinhalten, können nicht gleichzeitig in das Modell aufgenommen
werden. Außerdem scheinen die Möglichkeiten, die Risikovorhersage mit Hilfe dieser statisti
schen Verfahren etwa durch Hinzunahme weiterer Risikofaktoren zu verbessern, erschöpft.
Werden die zur Zeit bekannten Algorithmen an den Daten großer epidemiologischer Studien
überprüft, so werden in das oberste Quintil der Verteilung des geschätzten Risikos nur etwa
zwei Drittel der tatsächlich beobachteten Inzidenzen der KHK eingeordnet. Dies führt dazu,
daß bei sehr vielen Patienten eine Behandlung eingeleitet wird, die nicht erforderlich oder
sinnvoll ist. Umgekehrt werden Patienten nicht erkannt, bei denen eine Behandlung der
vorliegenden Risikofaktoren erforderlich wäre.
Ziel einer Risikoschätzung ist es, Hochrisikogruppen zu definieren, die einen möglichst großen
Prozentsatz aller tatsächlich auftretenden KHK Inzidenzen bei möglichst wenigen falsch posi
tiven Zuordnungen umfaßt.
Zur Lösung dieser Aufgabe haben wir neue Methoden der "künstlichen Intelligenz" (Analyse
mit neuronalen Netzen) auf die Daten der PROCAM Studie angewandt und zur Risiko-
Vorhersage benutzt.
Im Gegensatz zur statistischen multivariaten Analyse erlaubt der Einsatz neuronaler Netze die
umfassende gleichzeitige Auswertung aller Einzeldaten eines Patienten (z. B. neben dem ja
nein Merkmal Zigarettenrauchen auch die Anzahl der gerauchten Zigaretten; neben der
Variablen Diabetes die exakte Höhe des gemessenen Blutzuckerspiegels und die Behandlungs
form; systolischer und diastolischer Blutdruck trotz hoher Korrelation gleichzeitig; usw.).
Vergleichende Aussagen zur Güte der Risikoabschätzung für verschiedene Verfahren der
Risikovorhersage sind mittels Spezifität (Prozentsatz der richtig erkannten Probanden mit
geringem KHK Risiko) und Sensitivität (Prozentsatz der richtig erkannten Probanden mit
hohem KHK Risiko) mit Receiver-Operating-Characteristic (ROC)-Kurven an Hand der
Daten großer epidemiologischer Studien möglich. Überprüfungen an den Daten der PROCAM
Studie zeigen, daß die Verfahren der neuronalen Netzwerkanalyse den multivariaten statistis
chen Methoden hinsichtlich Sensitivität und Spezifität weit überlegen sind (Abb. 1): Mit
Hilfe neuronaler Netzwerkanalyse ist es möglich, etwa 80% aller innerhalb von acht Jahren
neu auftretenden Infarkte bei zunächst gesunden Männern auf ein Risikokollektiv von 10%
der Population einzugrenzen (Abb. 2). In dem so definierten Risikokollektiv (oberstes
Dezil der Verteilung des mittels neuronaler Netze berechneten Risikos) erlitten 446 von 1000
Probanden innerhalb von 8 Jahren tatsächlich einen Herzinfarkt (Abb. 3). Dabei wird
eine Spezifität von über 90% erreicht.
Im Vergleich dazu wird mit der besten uns derzeit bekannten multiplen logistischen Funktion
(ebenfalls abgeleitet aus der PROCAM Studie) im Hochrisiko-Kollektiv, das als oberstes
Quintil der Verteilung definiert wurde, eine Sensitivität von "nur" 62,2% bei einer Spezifität
von 82,4% erreicht. Die beobachtete Inzidenz einer KHK betrug 169 pro 1000 Männer
innerhalb von 8 Jahren.
Die hier vorgestellten Verfahren zur Berechnung des globalen Risikos haben wichtige Implika
tionen für die Therapie in der Primärprävention der koronaren Herzkrankheit. Die in ver
schiedenen Empfehlungen angegebenen Grenzwerte für Cholesterin und/oder LDL-Choleste
rin, oberhalb derer der Patient einer Behandlung bedarf, sind nicht sinnvoll, wenn das globale
Risiko nicht berücksichtigt wird. Zum Beispiel hatten in der PROCAM-Studie von den 1596
Teilnehmern mit LDL-Cholesterin-Werten < 160 mg/dl, bei denen nach bisherigen Empfeh
lungen eine Cholesterin-senkende Behandlung eingeleitet werden sollte, 1363 Personen
(84,4%) ein mit neuronaler Netzwerkanalyse berechnetes Infarktrisiko von weniger als 2% pro
Jahr, so daß eine Behandlung nicht erforderlich scheint. Hingegen war bei immerhin 53 =
3,9% von 1357 Männern mit LDL-Cholesterin-Werten < 130 mg/dl, bei denen nach bisherigen
Empfehlungen eine Cholesterin-senkende Behandlung nicht erforderlich ist, das mit neuro
naler Netzwerkanalyse ermittelte Infaktrisiko größer als 2% pro Jahr, so daß eine Behandlung
anzuraten ist (Tabelle).
In der Primärprävention sollten z. B. Statine zur Cholesterinsenkung nicht aufgrund bestimmter
Cholesterin- oder LDL-Cholesterinwerte eingesetzt bzw. vorenthalten werden (Ausnahme
Extremwerte), vielmehr sollte die Medikation aufgrund obiger medizinischer (und auch
ökonomischer) Überlegungen auf die Hochrisikogruppe in der Bevölkerung beschränkt werden
(z. B. oberes Dezil der Analyse mit neuronalen Netzen).
Claims (2)
1. Berechnung des globalen Herzinfarktrisikos aus Risikofaktoren,
dadurch gekennzeichnet, daß das Risiko mittels neuronaler Netzwerkanalyse aus den
Daten einer epidemiologischen Studie bestimmt wird.
2. Berechnung nach Anspruch 1, dadurch gekennzeichnet, daß zur Modellierung der Daten
ein spezielles Multi-layer Perceptron-Netzwerk benutzt wird.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19820276A DE19820276A1 (de) | 1998-05-07 | 1998-05-07 | Berechnung des globalen Herzinfarktrisikos mittels neuronaler Netze aus Risikofaktoren |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19820276A DE19820276A1 (de) | 1998-05-07 | 1998-05-07 | Berechnung des globalen Herzinfarktrisikos mittels neuronaler Netze aus Risikofaktoren |
Publications (1)
Publication Number | Publication Date |
---|---|
DE19820276A1 true DE19820276A1 (de) | 1999-11-18 |
Family
ID=7866882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19820276A Ceased DE19820276A1 (de) | 1998-05-07 | 1998-05-07 | Berechnung des globalen Herzinfarktrisikos mittels neuronaler Netze aus Risikofaktoren |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE19820276A1 (de) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10108289A1 (de) * | 2001-02-21 | 2002-10-24 | Gerd Assmann | Verfahren zur Bestimmen des globalen Herzinfarktrisikos |
WO2003040988A2 (en) * | 2001-11-02 | 2003-05-15 | Siemens Medical Solutions Usa, Inc. | Patient data mining for cardiology screening |
ES2230976A1 (es) * | 2000-02-10 | 2005-05-01 | Torgny Groth | Provision de soporte de decisiones para el infarto agudo de miocardio. |
US8392152B2 (en) | 2001-12-14 | 2013-03-05 | Siemens Medical Solutions Usa, Inc. | Early detection of disease outbreak using electronic patient data to reduce public health threat from bio-terrorism |
US8682693B2 (en) | 2002-09-09 | 2014-03-25 | Siemens Medical Solutions Usa, Inc. | Patient data mining for lung cancer screening |
US10943676B2 (en) | 2010-06-08 | 2021-03-09 | Cerner Innovation, Inc. | Healthcare information technology system for predicting or preventing readmissions |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997007733A1 (en) * | 1995-08-28 | 1997-03-06 | Rutgers University | System and method for noninvasive detection of arterial stenosis |
US5690103A (en) * | 1996-06-20 | 1997-11-25 | Groth; Torgny Lars | Detection/exclusion of acute myocardial infarction using neural network analysis of measurements of biochemical markers |
-
1998
- 1998-05-07 DE DE19820276A patent/DE19820276A1/de not_active Ceased
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997007733A1 (en) * | 1995-08-28 | 1997-03-06 | Rutgers University | System and method for noninvasive detection of arterial stenosis |
US5690103A (en) * | 1996-06-20 | 1997-11-25 | Groth; Torgny Lars | Detection/exclusion of acute myocardial infarction using neural network analysis of measurements of biochemical markers |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2230976A1 (es) * | 2000-02-10 | 2005-05-01 | Torgny Groth | Provision de soporte de decisiones para el infarto agudo de miocardio. |
DE10108289A1 (de) * | 2001-02-21 | 2002-10-24 | Gerd Assmann | Verfahren zur Bestimmen des globalen Herzinfarktrisikos |
US8214224B2 (en) | 2001-11-02 | 2012-07-03 | Siemens Medical Solutions Usa, Inc. | Patient data mining for quality adherence |
US8280750B2 (en) | 2001-11-02 | 2012-10-02 | Siemens Medical Solutions Usa, Inc. | Patient data mining for cardiology screening |
US7181375B2 (en) | 2001-11-02 | 2007-02-20 | Siemens Medical Solutions Usa, Inc. | Patient data mining for diagnosis and projections of patient states |
US7711404B2 (en) | 2001-11-02 | 2010-05-04 | Siemens Medical Solutions Usa, Inc. | Patient data mining for lung cancer screening |
US7744540B2 (en) | 2001-11-02 | 2010-06-29 | Siemens Medical Solutions Usa, Inc. | Patient data mining for cardiology screening |
US8214225B2 (en) | 2001-11-02 | 2012-07-03 | Siemens Medical Solutions Usa, Inc. | Patient data mining, presentation, exploration, and verification |
WO2003040988A2 (en) * | 2001-11-02 | 2003-05-15 | Siemens Medical Solutions Usa, Inc. | Patient data mining for cardiology screening |
WO2003040988A3 (en) * | 2001-11-02 | 2004-02-12 | Siemens Medical Solutions | Patient data mining for cardiology screening |
US8949079B2 (en) | 2001-11-02 | 2015-02-03 | Siemens Medical Solutions Usa, Inc. | Patient data mining |
US8626533B2 (en) | 2001-11-02 | 2014-01-07 | Siemens Medical Soultions Usa, Inc. | Patient data mining with population-based analysis |
US8392152B2 (en) | 2001-12-14 | 2013-03-05 | Siemens Medical Solutions Usa, Inc. | Early detection of disease outbreak using electronic patient data to reduce public health threat from bio-terrorism |
US8682693B2 (en) | 2002-09-09 | 2014-03-25 | Siemens Medical Solutions Usa, Inc. | Patient data mining for lung cancer screening |
US10943676B2 (en) | 2010-06-08 | 2021-03-09 | Cerner Innovation, Inc. | Healthcare information technology system for predicting or preventing readmissions |
US11664097B2 (en) | 2010-06-08 | 2023-05-30 | Cerner Innovation, Inc. | Healthcare information technology system for predicting or preventing readmissions |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Trauer et al. | Health of the Nation Outcome Scales: Results of the Victorian field trial | |
Mussgay et al. | Heart beat perception in patients with depressive, somatoform, and personality disorders. | |
Rimer et al. | Cancer screening practices among women in a community health center population | |
Hogan et al. | Disease, disability, and age in cognitively intact seniors: results from the Canadian Study of Health and Aging | |
Tramontana | Critical review of research on psychotherapy outcome with adolescents: 1967–1977. | |
Siegman et al. | Dimensions of anger and CHD in men and women: self-ratings versus spouse ratings | |
EP1458281B1 (de) | Unterscheidung von Herzrhythmen mittels Poincare- oder Lorenzfiguren. | |
DE102018107633B4 (de) | Schlaganfallüberwachungssystem | |
DE102007017552A1 (de) | Fallabhängige Krankheitsverlaufsvorhersage bei einem Echtzeit-Überwachungssystem | |
EP3019080A1 (de) | Verfahren zur automatischen auswertung eines absens-eeg, computerprogramm und auswertegerät dafür | |
Forssman et al. | The post-coronary patient: A multidisciplinary investigation of middle-aged Swedish males | |
Paterson et al. | The relationship between two‐dimensional self‐esteem and problem solving style in an anorexic inpatient sample | |
Chan | Systematic screening for atrial fibrillation in the community: evidence and obstacles | |
Mowad | Correlates of quality of life in older adult veterans | |
DE19820276A1 (de) | Berechnung des globalen Herzinfarktrisikos mittels neuronaler Netze aus Risikofaktoren | |
Schmidt | Performance level of chronic low back pain patients in different treadmill test conditions | |
EP0633746A1 (de) | Einrichtung zur diagnostizierung von kreislaufunregelmässigkeiten | |
Coppola et al. | Scoring system to identify men at high risk of stroke: a strategy for general practice. | |
EP1175865B1 (de) | Kardiologisches Geräteimplantat ausgestattet mit einem Auswerteverfahren zur Bestimmung der zeitlichen Stationarität gemessener kardiologischer Signale | |
EP1028652A1 (de) | Auswerten von elektrokardiogrammen im bereich von extrasystolen | |
Gran | Major differences in cardiovascular risk indicators by educational status: results from a population based screening program | |
Godfrey et al. | Facial affect recognition moderates the relation between autonomic nervous system reactivity and aggression during dyadic conflict | |
PEDERSON et al. | Smoking cessation among pulmonary patients as related to type of respiratory disease and demographic variables | |
EP1192897B1 (de) | Risikomonitoring | |
CN110192880A (zh) | 基于多导脑电信号格兰杰因果的测谎方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OM8 | Search report available as to paragraph 43 lit. 1 sentence 1 patent law | ||
OP8 | Request for examination as to paragraph 44 patent law | ||
8131 | Rejection |