Wissensentdeckung in medizinischen Systemen mittelsDifferentialdiagnose, LAMSTAR und k-NN

Medizinische Daten sind eine ständig wachsende Informationsquelle, die aus den Krankenhäusern in Form von Patientenakten erzeugt wird. Bei richtiger Auswertung ist die in diesen Akten verborgene Information eine riesige Ressourcenbank für die medizinische Forschung. Bis jetzt wird diese Daten hauptsächlich nur für klinische Arbeiten verwendet. Diese Daten enthalten oft versteckte Muster und Beziehungen, die zu besseren Diagnosen, besseren Medikamenten, besseren Behandlungen und insgesamt einer Plattform führen können, um die Mechanismen, die fast alle Aspekte des medizinischen Bereichs bestimmen, besser zu verstehen. Leider bleibt die Entdeckung dieser verborgenen Muster und Beziehungen oft ungenutzt. Es gibt jedoch laufende Forschungen in der medizinischen Diagnostik, die die Krankheiten des Herzens, der Lunge und verschiedener Tumore basierend auf den vergangenen Daten der Patienten vorhersagen können. Sie sind meist auf domänenspezifische Systeme beschränkt, die Krankheiten vorhersagen, die auf ihrem Tätigkeitsfeld wie Herz, Gehirn und anderen Bereichen beschränkt sind. Diese sind nicht auf die gesamte medizinische Datenmenge anwendbar. Das in diesem Paper vorgeschlagene System nutzt diesen riesigen Speicher an Informationen, sodass Diagnosen auf der Grundlage dieser historischen Daten gestellt werden können. Es konzentriert sich auf die Berechnung der Wahrscheinlichkeit des Auftretens einer bestimmten Erkrankung aus den medizinischen Daten, indem es diese mit einem einzigartigen Algorithmus auswertet, der die Genauigkeit solcher Diagnosen erhöht, indem er die Schlüsselkomponenten von Neuronalen Netzen, Große Speicher und Abruf (LAMSTAR), k-NN und Differentialdiagnose in einem einzigen Algorithmus integriert. Das System verwendet eine serviceorientierte Architektur, in der die Systemkomponenten für Diagnosen, Informationsportale und andere verschiedene Dienste bereitgestellt werden. Dieser Algorithmus kann zur Lösung einiger gängiger Probleme verwendet werden, die heutzutage bei automatisierten Diagnosen auftreten, darunter: Diagnose mehrerer Krankheiten mit ähnlichen Symptomen, Diagnose einer Person, die an mehreren Krankheiten leidet, schnellere und genauere Zweitmeinungen sowie schnellere Identifizierung von Trends in den medizinischen Unterlagen.