Modellierung individueller Prognosen in der klinischen Medizin

Theory Biosci. (2001) 120: 45±56 Ó Urban & Fischer Verlag http://www.urbanfischer.de/journals/theorybiosc

Modellierung individueller Prognosen in der klinischen Medizin Ulrich Mueller-Kolck AG Wissensbasierte Systeme (KuÈnstliche Intelligenz), Technische FakultaÈt, UniversitaÈt Bielefeld Address for correspondence: Ulrich Mueller-Kolck, AG Wissensbasierte Systeme (KuÈnstliche Intelligenz), Technische FakultaÈt, UniversitaÈt Bielefeld, Postfach 10 01 31, D-33501 Bielefeld, Phone 05 21/1 06-69 99, Fax 05 21/1 06-29 62 Received: August 4, 2000; accepted: November 18, 2000 Key words: prognostic reasoning, clinical medicine, individual patient model, expectation structure, time structure

Summary: A teleological class of prognostically relevant informations represent the individual medical prognosis. Based on this hypothesis the article analyzes the logical structure of the individual medical prognosis and describes a generalized model of prognostic reasoning in clinical medicine. The individual clinical course, the individual patient model, and clinical expectations of characteristic structure are the basic elements of the model. The application of the model is operationalized by an algorithm.

1 Einleitung Die rationale Erwartungsbildung wird in medizinischen Entscheidungstheorien uÈblicherweise dadurch formalisiert, dass ErwartungsgroÈûen mit bedingten mathematischen Erwartungswerten identifiziert werden (Boring et al. 1988; Komorowski und Ohrn 1999; Ripley 1998; Rowland et al. 1998). Der Erwartungsbegriff der individuellen klinischen Prognose laÈût sich jedoch nicht grundsaÈtzlich mit wahrscheinlichkeitstheoretischen Vorstellungen adaÈquat umschreiben. Im Gegensatz zu exakten Prognoseproblemen handelt es sich bei individuellen medizinischen Prognosen um inexakte Prognoseprobleme (Helmer und Rescher 1959; Knapp 1978). Klinische Begriffe und Konzepte sind mindestens teilweise ungenau definiert, so dass uÈber die ZugehoÈrigkeit relevanter Objekte zum Begriff von Fall zu Fall entschieden werden muss. Klinische Informationen enthalten inhaÈrente Unsicherheiten, die durch die Ungenauigkeit diagnostischer Tests, die Mehrdeutigkeit klinischer Symptome und verdeckte Kontexte im 1431-7613/01/120/01±45/$ 15.00/0

46

U. Mueller-Kolck

komplexen medizinischen Geschehen entstehen. Das klinische prognostische Argumentieren ist dadurch standpunktabhaÈngig, die Zielsetzung und der Zweck der Prognose muÈssen explizit definiert werden (Rizzi 1993; Hucklenbroich 1998; Wiesemann 1998). Die LoÈsung des individuellen klinischen Prognoseproblems ist nicht die Ableitung einer quasi-exakten probabilistischen Aussage, sondern die prognostische Strukturierung der individuellen klinischen Situation und die Identifizierung einer Klasse relevanter klinischer Informationen, die im Hinblick auf den Zweck der Prognose vervollstaÈndigt werden kann. Der vorliegende Aufsatz analysiert die Struktur der klinischen Prognose auf logisch-epistemologischer Ebene. Da es um die KlaÈrung eines grundsaÈtzlichen Problems und nicht um eine allgemeine Theoriebildung geht, erfolgt die Darlegung im Rahmen eines einfachen formalen Modells. Grundelemente dieses Modells der individuellen klinischen Prognose sind der individuelle klinische Verlauf, das individuelle Patientenmodell und abgeleitete Erwartungen charakteristischer Zeitstruktur. Der Artikel hat folgenden Aufbau. Zuerst fuÈhre ich den Begriff des klinischen Verlaufs ein (Abschnitt 2). Im Anschluss daran beschreibe ich den Begriff des individuellen Patientenmodells (Abschnitt 3). Dann analysiere ich die Zeitstruktur und die Erwartungsstruktur der Prognose (Abschnitt 4). Abschlieûend beschreibe ich einen Algorithmus, der die Formulierung klinischer Erwartungen operationalisiert (Abschnitt 5).

2 Individueller klinischer Verlauf Die Grundlage des prognostischen Argumentierens sind die klinischen Daten eines Patienten. Sie repraÈsentieren individuelle Ereignisse, die in einer zeitlichen Ordnung auftreten. Diese Ereignisstruktur des medizinischen Geschehens wird als klinischer Verlauf bezeichnet. Eine formale RepraÈsentation des klinischen Verlaufs (V) ist das Triplet V = áE, <, Iñ, E ist die nicht-leere Menge von individuellen medizinischen Ereignissen, I ist eine nicht-leere Menge von Zeitintervallen. Eine formale RepraÈsentation der Zeit ist eine Periodenstruktur áI, Í, <ñ. Die Periodenstruktur ist ein partiell geordnetes Paar áI, Íñ, dessen Teilmengen eine strikte partielle Ordnung < aufweisen, so dass das Triplet áI, Í, <ñ die Bedingungen der Monotonie erfuÈllt. Werden zwei Intervalle i1 und i2 betrachtet mit i1 und i2 Î I, so bedeutet i1 < i2 ¹i1 ist fruÈher als i2ª oder ¹i2 ist spaÈter als i1ª. Der VorgaÈngerrelation < liegt die Vorstellung zugrunde, dass sich die Zeit isomorph einer Geraden von der Vergangenheit in die Zukunft erstreckt (Benthem 1992). Die Ereignisse in E werden durch die VorgaÈngerrelation < geordnet. Werden zwei Ereignisse e1 und e2 betrachtet, so bedeutet e1 e2 ¹e1 ist fruÈher als e2ª oder ¹e2 ist spaÈter als e1ª.

Modellierung individueller Prognosen in der klinischen Medizin

47

FuÈr die zeitliche RepraÈsentation von Ereignissen, die in klinischen VerlaÈufe eingebettet sind, werden drei Zeitintervalle verwendet. Es sind das ¹VerzoÈgerungsintervallª eines Ereignisses, das ¹Startintervallª eines Ereignisses und die ¹Dauerª eines Ereignisses. Diese drei Intervalle stehen fuÈr jedes medizinische Ereignisse immer in dieser Reihenfolge. Das Startintervall ist der Zeitabschnitt, in dem das Ereignis klinisch oder technisch fassbar wird. Dem Startintervall folgt die Dauer des Ergnisses bis zum Zeitpunkt, an dem seine Existenz endet. Dem Startintervall voraus geht das VerzoÈgerungsintervall, das die Zeit vor dem klinisch oder technisch faûbaren Beginn eines Ereignisses beschreibt. Relevant ist das VerzoÈgerungsintervall vor allem fuÈr die zeitliche Beschreibung einer kausalen Relation zweier Ereignisse. Verursacht ein Ereignis e1 das Ereignis e2, so beschreibt das VerzoÈgerungsintervall von e2 die Zeit zwischen der Dauer des Ereignisses e1 bis zum Beginn des Ereignisses e2, das als Wirkung von e1 angesehen wird. Die medizinischen Ereignisse entstammen den organischen, psychischen, sozialen oder oÈkologischen Kontexten, denen der Patient angehoÈrt. NaturgemaÈû sind die Kontextereignisse fuÈr jeden Patienten individuell verschieden und dokumentieren immer nur partielle Aspekte der jeweiligen Patientenwelt.

3 Individuelles Patientenmodell Ein Patientenmodell (PM) besteht aus individuellen medizinischen VerlaÈufen und theoretisch-medizinischem Wissen. Ein Patientenmodell besitzt die Struktur PM = áE, I, <, Wñ, W ist die Menge des existierenden und verfuÈgbaren medizinischen Wissens. W umfasst die gesetzfoÈrmigen Hypothesen oder empirischen Generalisierungen, die in Form der systematischen Krankheitslehre oder als pathophyiologisches Theoriewissen vorliegen. Mit Hilfe des theoretischen medizinischen Wissens werden die funktionalen Beziehungen der individuellen Ereignisse kausal interpretiert. Die VorgaÈngerrelation < erhaÈlt eine kausale Bedeutung (Sadegh-Zadeh 1998). Werden zwei Ereignisse e1 und e2 betrachtet, so bedeutet e1 < e2 ¹e1 bewirkt e2ª oder ¹e2 wird durch e1 verursachtª. Da das medizinische Wissen W individuelle Patientendaten interpretiert, ist das resultierende Patientenmodell kontingent und idiographisch (Sadegh-Zadeh 1994; 1982). Patientenmodelle koÈnnen ein- oder mehrdimensional sein. Das Patientenmodell ist eindimensional, wenn es nur ein theoretisches Konzept aus der Menge W des medizinischen Wissens fuÈr die ErklaÈrung eines Verlaufs benoÈtigt. Es ist mehrdimensional, wenn mehrere theoretische Konzepte fuÈr die ErklaÈrung des bisherigen Verlaufs verwendet werden. Das Patientenmodell mit der Struktur áE, <, I, NE1ñ ist eindimensional, da es nur eine Nosologie-EntitaÈt NE1 enthaÈlt, z. B. NE1 = Hepatitis A. Alle dokumen-

48

U. Mueller-Kolck

tierten medizinischen Ereignisse E bilden eine echte Teilmenge der in NE1 beschriebenen Ereignisse, E Í NE1. Der Verlauf realisiert sich so, wie er in NE1 beschrieben wird. Er wird als Modell einer einzelnen KrankheitsentitaÈt interpretiert. Das Patientenmodell der Form áE, <, I, {NE1, . . ., NE5}ñ ist mehrdimensional mit NE1 = arterielle Hypertonie, NE2 = Diabetes mellitus, NE3 = HypercholesterinaÈmie, NE4 = Arterisklerose, NE5 = Osteoporose. Die medizinischen Ereignisse lassen sich verschiedenen NosologieEntitaÈten zuordnen und gehoÈren gleichzeitig verschiedenen Ereignisstrukturen an. Die formale Ausdrucksweise E Í NE1 ´ NE2 ´ NE3 ´ NE4 ´ NE5 repraÈsentiert den klinischen Begriff der MulitmorbiditaÈt dieses Patienten. Patientenmodelle werden nach der Art des verwendeten theoretischen Wissens unterschieden. Klinische VerlaÈufe sind nicht immer vollstaÈndig NE-klassifizierbar. In extremen FaÈllen sind alle Ereignisse nosologisch nicht klassifizierbar (Schwartz und Griffin 1986). Die Modellbildung erfolgt dann durch eine Partitionierung der medizinischen Ereignisse in Subsysteme (z. B. im Kontext der somatischen Funktionen Blutkreislauf, Herzfunktionen, Lungenfunktionen), deren Verhalten unabhaÈngig von Nosologie-EntitaÈten interpretiert werden kann. FuÈr die ErklaÈrung der StoÈrungen werden spezielle Systemtheorien verwendet, z. B. pathophysiologische Theorien der Herz- und Kreislauffunktionen, pathobiochemische Theorien des Stoffwechsels. Das Patientenmodell erhaÈlt die Form áE, <, I, STñ mit ST fuÈr Systemtheorien. ST vertritt die Stelle der Nosologie-EntitaÈt NE. Individuelle klinische VerlaÈufe lassen sich systemtheoretisch einteilen in selbstlimitierende oder nicht selbstlimitierende VerlaÈufe, in reversible, spontan irreversible oder irreversible VerlaÈufe. Spontan irreversibel ist ein Geschehen, das nur mit externer Hilfe reversibel ist. Es gelten allgemeine Randbedingungen, z. B. sind reversible VerlaÈufe selbstlimitierend, jedoch nicht umgekehrt, spontan irreversible oder dauerhaft irreversible VerlaÈufe koÈnnen selbstlimitierend sein. Besondere Probleme werfen klinische Situationen auf, deren Ereignisse sich weder mit Hilfe von Nosologie-EntitaÈten noch mit Hilfe spezieller medizinischer Systemtheorien prognostisch analysieren lassen, weil sich die individuellen Symptome und Befunde des Patienten nicht auf eine definierte diagnostische Aussage abbilden lassen. In diesen FaÈllen ist die Menge W des Patientenmodells leer. Ein generisches individuelles Patientenmodell existiert nicht. Beispiele sind klinische Grenzsituationen eines vital bedrohten Patienten, dessen zukuÈnftigen Verlauf die Nosologie oder spezielle Organpathologie nicht vorhersagen kann (Christakis und Iwashyna 1998). In diesem Fall werden prognostische Aussagen durch das Zusammenspiel medizinischer Komponenten, normativer Zielsetzungen, Wertorientierungen und EntscheidungsentwuÈrfe sowohl des Arztes als auch des Patienten bestimmt. Derartige prognostische ErwaÈgungen gehoÈren nicht mehr zum Anwendungssystem der empirischen klinischen Medizin sondern zur medizinischen Metapraxis.

Modellierung individueller Prognosen in der klinischen Medizin

49

4 Erwartungsstruktur klinischer Prognosen Rational begruÈndete Erwartungen sind als Schlusssatz in ein klinisches Voraussageargument eingebettet. Voraussageargumente enthalten immer empirische Generalisierungen, wie sie im individuellen Patientenmodell ausgedruÈckt werden. Der erwartete Verlauf ist eine bedingte Prognose oder eine Projektion des bisherigen Verlaufs in die Zukunft. Damit wird unterstellt, dass die zukuÈnftigen Ereignisse mit dem bisher beobachteten Verlauf strukturell uÈbereinstimmen und die Erwartungsstruktur des zukuÈnftigen Verlaufs homomorph zur Ereignisstruktur des bisherigen Verlaufs sein wird. Formal ist die Erwartungsstruktur der Prognose V' = áE', <, Iñ mit E' fuÈr die Menge der zu erwartenden medizinischen Ereignisse. Das VerzoÈgerungsintervall, das Startintervall und die Dauer zukuÈnftiger Ereignisse legen die aÈussere Zeitstruktur prognostischer Argumente fest. Die Zeitintervalle werden entweder durch Analogiebildung auf der Basis des bisherigen individuellen Verlaufs geschaÈtzt oder aus dem individuellen Patientenmodell abgeleitet, in dem die zeitliche Dynamik klinischer Ereignisse implizit beschrieben wird. Jedoch ist die Dauer der einzelnen Zeitintervalle innerhalb empirisch ermittelter Grenzen immer variabel und prospektiv unklar. Ist i1 das aktuelle guÈltige Zeitintervall und wird nur das naÈchste zukuÈnftige Intervall i2 betrachtet, heiût die Prognose kurzfristig. FuÈr die zeitliche RepraÈsentation kurzfristiger Prognosen genuÈgen vier Relationen: 1) i2 beginnt gleichzeitig mit i1 und i2 ist laÈnger als i1, 2) i2 beginnt spaÈter als i1 und i2 dauert laÈnger als i1, 3) i2 folgt i1 unmittelbar ohne Unterbrechnung, 4) i2 folgt i1 in mehr oder weniger groûem Abstand. Sind das VerzoÈgerungsintervall, das Startintervall und die Dauer der zukuÈnftigen Ereignisse bekannt, so koÈnnen der fruÈheste und spaÈteste Start von i2, das fruÈheste und spaÈteste Ende von i2 sowie das fruÈheste und spaÈteste Ende von i1 berechnet werden. Werden mehrere zukuÈnftige Intervalle i2, i3, . . ., in betrachtet, heiût die Prognose langfristig. Langfristige Prognosen verwenden mehrere Relationen zwischen Zeitintervallen. Maximal werden 13 Relationen beruÈcksichtigt (Allen 1984; Allen und Hayes 1989). Die Erwartungsstruktur einer klinischen Prognose ist eindimensional, wenn sie durch ein eindimensionales Patientenmodell abgeleitet wird. Zum Beispiel enthaÈlt das Patientenmodell áE, <, I, NE1ñ nur die Nosologie-EntitaÈt NE1 = Hepatitis A. NE1 bringt bereits eine Erwartung der zukuÈnftigen Krankheitsentwicklung einschlieûlich typischer Komplikationen zum Ausdruck. Die individuelle Prognose wird als Instanz der nosologischen Prognose angesehen, die sich aus NE1 ableiten laÈût. Bei diesem Vorgehen ist die Prognose impliziter Bestandteil des eindimensionalen Patientenmodells (Christakis 1997). In der Regel beruÈcksichtigen eindimensionale Erwartungsstrukturen keine zusaÈtzlichen Kontextinformationen (Petersen et al. 1989).

50

U. Mueller-Kolck

Eine Erwartungsstruktur ist mehrdimensional, wenn sie durch ein mehrdimensionales Patientenmodell abgeleitet wird. Der Prognostiker muss nun entscheiden, welche Nosologie-EntitaÈt aus der Menge der relevanten Nosologie-EntitaÈten {NE1, . . ., NEn} als verlaufsbestimmend fuÈr den Patienten angesehen werden muÈssen. Ist zum Beispiel das mehrdimensionale Patientenmodell áE, <, I, {NE1, . . ., NE5}ñ mit NE1 = arterielle Hypertonie, NE2 = Diabetes mellitus, NE3 = HypercholesterinaÈmie, NE4 = chronische Hepatitis B, NE5 = koronare Herzerkrankung, so kann die koronare Herzerkrankung fuÈr den zukuÈnftigen Verlauf des Patienten relevanter sein als sein Diabetes mellitus. FuÈr diese Gewichtung interagierender NosologieEntitaÈten existieren mehr oder weniger vollstaÈndige epidemiologische und klinische Heuristiken (Harrel et al. 1996). Eine empirisch begruÈndete Theorie, die das Zusammenwirken und die Interaktionen der verschiedenen Erkrankungen im individuellen Falle einer MultimorbiditaÈt zutreffend beschreiben koÈnnte, existiert nicht. Risikofaktorenmodelle, die auf individuellen Patientendaten und nicht auf klinischen Studien basieren, stellen noch die zuverlaÈssigste Art dar, um rational begruÈndete Erwartungsstrukturen in dieser Situation abzuleiten (Rothwell und Warlow 1999; Rothwell et al. 1996). Hilfsweise angewendete subjektive Wahrscheinlichkeiten setzen Ereignisse einer Referenzklasse voraus, die naturgemaÈû durch die Selektion des Prognostikers heterogen ist. An die Stelle vollstaÈndiger nosologischer PrognosebegruÈndung treten in diesen FaÈllen prognostische Szenarien und Trends. Die Prognose wandelt sich von einer rationalen Voraussage auf der Basis von Nosologie-EntitaÈt zu einer trendartigen Vorhersage individueller klinischer Situationen. Trends haÈngen vom Eintreten und Beibehalten bestimmter Randbedingungen ab. Diese Randbedingungen muÈssen geklaÈrt werden, bevor rational begruÈndbare Erwartungsstrukturen abgeleitet werden koÈnnen.

5 Ein Prognosealgorithmus Aus dem beobachteten, individuellen klinischen Verlauf bildet das individuelle Patientenmodell eine Vorhersage. Das prozedurale Zusammenwirken der Komponenten der individuellen klinischen Prognose wird durch folgenden einfachen Algorithmus operationalisiert: 1. Dokumentiere individuelle medizinische Ereignisse E des somatischen, psychischen, sozialen und oÈkologischen Kontextes des Patienten; 2. Bilde einen individuellen klinischen Verlauf V = áE, <, Iñ; 3. Bilde ein individuelles Patientenmodell PM = áV, Wñ aus gesetzartigem medizinischem Wissens W und dem individuellen Verlauf V; 4. Bilde aus PM eine homomorphe Erwartungsstruktur V' = áE', <, Iñ; 5. Gewichte die Ereignisse in E' hinsichtlich der Fristigkeit;

Modellierung individueller Prognosen in der klinischen Medizin

51

6. PruÈfe die Ereignisse in E' auf UnabhaÈngigkeit; 7. SchaÈtze den Prognosefehler durch Vergleich von V und V' nach einer definierten Periode in+1. Der Algorithmus beschreibt Aufgaben der medizinischen Wissensverarbeitung. Sein erster und zweiter Schritt sind medizinische Dokumentationsaufgaben. Der dritte Schritt umfaût die diagnostische Modellbildung, die sich in der klinischen Diagnose ausdruÈckt. Der vierte Schritt beinhaltet die prognostische Inferenz. NaturgemaÈû koÈnnen mehrere Erwartungsstrukturen abgeleitet werden. Der fuÈnfte Schritt legt die Fristigkeit der Prognose fest. Der sechste Schritt pruÈft, ob die abgeleiteten Erwartungsstrukturen untereinander unabhaÈngig sind oder ob verstaÈrkende Wechselwirkungen auftreten. Der siebte Schritt schaÈtzt das Prognoserisiko durch den Vergleich des bisherigen individuellen Verlaufs mit dem Ergebnis, das sich in der Zukunft realisiert, nachdem ein angemessen langes Zeitintervall verstrichen ist. Der Algorithmus wird erneut durchlaufen, wenn der Prognosefehler einen definierten Schwellenwert uÈbersteigt.

5.1

Klinisches Beispiel

Das klinische Beispiel der multimorbiden 78jaÈhrigen Patientin K. F. illustriert in verkuÈrzter Darstellung die Arbeitsweise des Prognosemodells. Aus dem individuellen Verlauf VK.F. [1991±1998] bildet das individuellen Patientenmodell PMK.F. [1998] eine Erwartungsstruktur. Im somatischer Kontext des individuellen Verlaufs VK.F. [1991±1998] finden sich im betrachteten Zeitintervall 1991±1998 folgende medizinischen Ereignisse: VK.F. [1991±1998] = á{Blutdruckwerte_erhoÈht[1991±1998], Blutzuckerwerte_erhoÈht[1991±1998], Blutfettwerte_erhoÈht[1991±1998] < GehstoÈrungen1991 < PTA_A._femoralis_rechts1991, Schrumpfniere_rechts[1991±1998], Nierenarterienstenose_rechts[1991±1998] < Brustschmerzen1994 < Aortenklappenstenose_(Ga = 19 mmHg)1994, Koronararterienstenosen1994 < aortocoronarer_Venenbypass1994 < Beinschmerzen1994 < Polyneuropathie[1994±1998] < Beinschmerzen[1995±1998] < femoropoplitealer_Venenbypass_rechts1995 < femoropopliteale_PTFE-Prothese1995 < Brustschmerzen1995 < WirbelsaÈulendegeneration[1995±1998] < Aortenklappenstenose_(Ga = 38 mmHg)1996 < Kompressionsfraktur_BWK_121997, Brustschmerzen1998 < ACVB_intakt1998, Aortenklappenstenose_(Ga = 80 mmHg)1998, A._carotis_interna_Stenose_rechts_(Lumenreduktion 80%)1998}, soziale_Ereignisse_stabil[1991±1998], psychische_Ereignisse_stabil[1991±1998], oÈkologische_Ereignisse_stabil[1991±1998], [1991±1998]ñ Die VorgaÈngerrelation < repraÈsentiert die zeitliche Relation der medizinischen Ereignisse, die mit dem Zeitpunkt ihrer ersten Beobachtung indi-

52

U. Mueller-Kolck

ziert werden. Die AusdruÈcke ¹soziale_Ereignisse_stabil[1991±1998]ª, ¹psychische_Ereignisse_stabil[1991±1998]ª, ¹oÈkologische_Ereignisse_stabil[1991±1998]ª bedeuten, dass keine pathologischen StoÈrungen dokumentiert worden sind. Um alle Ereignisse im individuellen Verlauf VK. F. [1991±1998] aÈtiologisch zu klassifizieren, werden mehrere Nosologie-EntitaÈten {NE1, . . . NEn} fuÈr das individuelle Patientenmodell der Patientin verwendet: PMK. F. [1998] = áV[1991±1998], {NEDiabetes_mellitus, NEFettstoffwechselstoÈrung, NEArteriosklerose, NEHypertonie, NEHerzvitium, NEOsteoporose}ñ Seine individuelle ¹FaÈrbungª erhaÈlt PMK.F. [1998] durch die individuelle AuspraÈgung seiner charakteristischen Komponenten, dem individuellen Verlauf V[1991±1998], der individuellen Kombination der Nosologie-EntitaÈten und dem individuellen Stadium der einzelnen Erkrankungen. Stadieneinteilungen repraÈsentieren natuÈrliche Entwicklungsstufen von Krankheiten und spiegeln deren innere zeitliche Dynamik wider. Die Nosologie-EntitaÈt Aortenvitien klassifiziert das Stadium der Aortenklappenstenose_(Ga = 80 mmHg) als hochgradig. In diesem Stadium sind prognostisch relevante Symptome Angina pectoris, Belastunsgdyspnoe und Synkopen. In der Gruppe der Patienten mit Angina pectoris sterben 50% innerhalb von 5 Jahren (VerzoÈgerungsintervall) und 90% innerhalb von 10 Jahren an Herzversagen (50±75%) oder an ploÈtzlichem Herztod (15±20%), in der Gruppe der Patienten mit Synkopen betraÈgt die È berlebenszeit 3±4 Jahre, in der Gruppe der Patienten mit durchschnittliche U Belastungsdyspnoe 2 Jahre (Ross und Braunwald 1968). Die Nosologie-EntitaÈt Arteriosklerose in ihrer Manifestation an den Halsarterien klassifiziert eine A._carotis_interna_Stenose_rechts_(Lumenreduktion 80%) als hochgradig. Von den betroffenen Patienten mit neurologischen StoÈrungen erleiden 17±26% in den naÈchsten 2 bis 3 Jahren (VerzoÈgerungsintervall) einen ipsilateralen Schlaganfall (European Carotid Surgery Trialist Collaborative Group 1991; North American Symptomatic Carotid Endarterectomy Trial Collaborators 1991). Aus dem individuellen Verlauf VK.F. [1991±1998] und dem Patientenmodell PMK.F. [1998] wird folgende Klasse prognostischer Informationen gebildet, die den Zeitraum von 2 bis 5 Jahren abdeckt: V'K.F. [1998±2003] = á{Blutdruckwerte_erhoÈht[1998±2003], Blutzuckerwerte_erhoÈht[1998±2003], Blutfettwerte_erhoÈht[1998±2003], Schrumpfniere_rechts[1998±2003], Nierenarteriestenose_rechts[1998±2003], Bypassrevision_(PTFE-Prothese)[1998±2003], WirbelsaÈulendegeneration[1998±2003], Kompressionsfraktur_BWK_12[1998±2003] < Brustschmerzen[1998±2003], ACVB_intakt[1998±2003], Aortenklappenstenose_(Ga = 80 mmHg)[1998±2003] < {Herzversagen[1998±2003] oder ploÈtzlicher_Herztod[1998±2003]}, hochgradige A._carotis_interna_Stenose_rechts[1998±2003] < {ipsilateraler_Schlaganfall[1998±2000] oder Hirntod[1998±2000]}}, soziale_Ereignisse_stabil[1998±2003], psychische_Ereignisse_stabil[1998±2003], oÈkologische_Ereignisse_stabil[1998±2003], [1998±2003]ñ

Modellierung individueller Prognosen in der klinischen Medizin

53

Dieses prognostische Argument betrachtet eine Klasse von drei moÈglichen zukuÈnftigen VerlaÈufen V'K.F. [1998±2003], die waÈhrend des Zeitintervalls ¹Dauerª der Ereignisse Aortenstenose und Karotisstenose eintreten: Aortenklappenstenose_(Ga = 80 mmHg) < {Herzversagen oder ploÈtzlicher_Herztod} und A._carotis_interna_Stenose_rechts < {ipsilateraler_ Schlaganfall oder Hirntod}. Die VerzoÈgerungsintervalle dieser Komplikationen sind die unmittelbar naÈchsten Intervalle. Die Erwartungsstruktur V'K.F. [1998±2003] ist daher eine kurzfristige Prognose. Im fokusierten, kurzfristig erwarteten Verlauf der Patientin K. F. ist das Eintreten der Komplikationen der Aortenstenose und der Internastenose voneinander unabhaÈngig. Die langfristige Prognose, die spaÈtere Zeitintervalle beruÈcksichtigen muss, ist dagegen hinsichtlich der Interaktionen und VerlaÈufe komplexer (Abb. 1). Im kritischen Stadium stehen die prophylaktische Operation der Karotisstenose als auch der Aortenstenose auf der Indikationsliste der zugehoÈrigen Nosologie-EntitaÈten. Zu diesen Operationen wird sich die Patientin K. F. dann entschlieûen, wenn nach ihrem Urteil die prognostischen Informationen fuÈr eine kurzfristige und langfristige Prognose ausreichend sind. Erscheint ihr der moÈgliche Prognosefehler zu groû, wuÈrde sie den Algorithmus neu starten lassen.

Abb. 1. Graphische Darstellung des Verlaufs und des Patientenmodells VK.F. [1991±1998] = bisheriger klinischer Verlauf, PMK.F. [1998] = individuelles Patientenmodell der Patientin K. F. zum Zeitpunkt der Evaluation, V'K.F. [1988±2003] = kurzfristig erwarteter Verlauf, V' langfristiger Verlauf. Die Bewegungen der Pfeile symbolisieren klinische StadienveraÈnderungen der medizinischen Ereignisse Blutdruck, Blutzucker, Blutfette, Beinschmerz, GehstoÈrung, Brustschmerz.

54

U. Mueller-Kolck

6 Zusammenfasssung und Schluss Rationale Erwartungen in der klinischen Medizin sind nicht immer optimale Vorhersagen im Sinne des Prognoserisikos. Die Vorstellung einer unverzerrten Erwartungsbildung und einer Erwartungsbildung im Sinne einer Minimierung des Prognoserisikos sind allenfalls in den beschriebenen eindimensionalen Erwartungsstrukturen aÈquivalent, in denen es keine RuÈckwirkung der ErwartungsgroÈûen auf die Variablen des Patientenmodells gibt. In mehrdimensionalen Patientenmodellen haÈngt die Verteilung der Modellvariablen von den ErwartungsgroÈûen ab, die der Arzt als relevante Risikofaktoren auswaÈhlt, um retrodiktiv aus einem in der Zukunft erwarteten Ereignis eine therapeutische Handlung in der Gegenwart abzuleiten. Ebenso haÈngt die Fristigkeit der Prognose davon ab, ob die Erwartungsstruktur der Prognose unverzerrt ist und eine optimale Vorhersage im Sinne einer Minimierung des Prognosesrisikos darstellt. Die individuelle klinische Prognose ist ein inexaktes Prognoseproblem, das sich nur naÈherungsweise mit wahrscheinlichkeitstheoretischen Vorstellungen adaÈquat umschreiben laÈût. Vor diesem Hintergrund wird die Struktur der individuellen klinischen Prognose auf logisch-epistemologischer Ebene analysiert. Das vorgeschlagene formale Modell des prognostischen Denkens in der klinischen Medizin basiert auf drei Grundbausteinen: dem individuellen klinischen Verlauf eines Patienten, dem individuellen Patientenmodell und einer zeitlich geordneten Erwartungsstruktur zukuÈnftiger medizinischer Ereignisse. Seine mengentheoretische Darstellung erleichtert die konzeptionelle Anbindung an existierende Wissensbanken. Die Funktionsweise des Modells beschreibt ein einfacher Prognosealgorithmus. Er strukturiert die individuelle klinische Situation des Patienten und identifiziert prognostisch relevante Informationen. Dazu gehoÈren auch Schnittstellen zu epidemiologischem und heuristischem Prognosewissen, das klinische Hypothesen auf der Basis statistischer Evaluationen passender Patientenkollektive pruÈft und das in vielfaÈltigen Anwendungen vorliegt (Komorowski, Ohrn 1999; Ripley 1998; Rowland, Ohna-Machado 1998). Solche Informationen sind aber erst klinisch relevant, wenn sie auf einem individuellen Patientenmodell basieren. Prognostische Informationen ohne individuelles Patientenmodell sind unvollstaÈndig. Sie werden vervollstaÈndigt, indem ein individuelles Patientenmodell gefunden wird. Im Ergebnis fuÈhrt die LoÈsung des klinischen Prognoseproblems zu einer teleologischen Klasse prognostisch relevanter Informationen, die im Hinblick auf den Zweck und die Zielsetzung der Prognose bestimmt sind. Der Zweck der Prognose wird im Arzt-Patienten-Diskurs ermittelt. Nicht die Reduktion auf einzelne wahrscheinlichkeitstheoretisch begruÈndete prognostische Aussagen, sondern die Explikation der komplexen, individuellen klinischen Ereignisse ist die wesentliche Voraussetzung fuÈr eine

Modellierung individueller Prognosen in der klinischen Medizin

55

Entscheidungsfindung. Das vorgestellte Modell beschreibt einen Rahmen fuÈr die notwendige Integration dieser individuellen Prognostik in existierende, wissensbasierte klinische Informationssysteme (Wiederhold und Perreault 1990; Pryor 1987; Das und Musen 1997; Nguyen et al. 1997; Ngo et al. 1997).

7 Literatur Allen, J. F. (1984) Towards a general theory of action and time. Artif. Intell. 123±154. Allen, J. F.; Hayes, P. J. (1989) Moments and points in an intervall-based temporal logic. Computational Intelligence, pp 225±238. Benthem, J. F. A. K. van (1992) The Logic of Time, A Model-Theoretical Investigation into the Varieteis of Temproal Ontology and Temporal Discourse. 2nd edition, pp 113±115. Reidel Publ., Dordrecht. Boring, J. R; Francis, J. B.; Simon, D. G. (1998) Analytic medicine. In: Hurts, J. W. (ed). Medicine for the Practicing Physician. 2nd Edition, pp 5±12. Butterworths, Boston. Christakis, N. A.; Iwashyna, T. J. (1998) Attitude and self-reported practice regarding prognostications in a national sample of internists. Arch Intern. Med. 2389±2395. Christakis, N. A. (1997) The ellipsis of prognosis in modern medical thought. Soc. Sci. Med. 301±315. European Carotid Surgery Trialist Collaborative Group (1991) MCR European Carotid trial: interim results for symptomatic patients with severe (70±99%) or with mild (0±29%) carotid stenosis. Lancet. 1235±1243. Das, A. K.; Musen, M. A. (1997) A foundational model of time for heterogeneous clinical databases. Proc. AMIA Annu Fall Symp. 106±110. Fletcher, G. F.; Hurst, J. W. (1988) Prolonged myocaridal ischemia without objective signs of infarction. In: Hurts, J. W. (ed). Medicine for the Practicing Physician. 2nd Edition, pp 1043±1050. Butterworths, Boston. Green, H. L. (1990) Sudden arrhythmis cardiac death ± mechanisms, resuscitation and classification: The Seatle perspective. Am. J. Cariol. 4 b±12 b. Harrel, F. E. jr.; Lee, K. L.; Mark, D. B. (1996) Multivariable prognostic models: Issues in developing models, evaluationg assumpptions and adequacy, and measuring and reducing errors. Stat. Med. 361±387. Helmer, O.; Rescher, N (1959) On the epistemology of inexact sciences. Management Science. (5): 25±52. Hucklenbroich, P. (1998) Steps towards a theory of medical practice. Theor Med. Bioeth. 19: 215±238. Knapp, H. G. (1978) Logik der Prognose, Semantische Grundlagen technologischer und sozialwissenschaftlicher Vorhersagen. Verlag Karl Alber, Freiburg/MuÈnchen. Komorowski, J.; Ohrn, A. (1999) Modelling prognostic power of cardiac tests using rough sets. Artif. Intell Med. (15): 167±191. Ngo, L.; Haddawy, P.; Kriger, R. A.; Helwig, J. (1997) Efficient temporal probabilistic reasoning via context-sensitive construction. Comput Biol Med. 76±81. Nguyen, J. H.; Shahar, Y.; Tu, S. W.; Das, A. K.; Musen, M. A. (1997) A temporal database mediator for protocol-based decision support. Proc AMI Annu Fall Symp. 298±302. North American Symptomatic Carotid Endarterectomy Trial Collaboratiors (1991), Beneficial effect of carotid endarterectomy in symptoamtic patients with high-grade carotid stenosis. N. Eng. J. Med. 445±453. Pappas, P. J.; et al. (1998) Patency of infrainguinal polytretraurethylen Bypass grafts with interposition vein cuffs. Cardiovasc. Surg. 19±26. Petersen, P. A.; Frimodt-Moller, B.; Gannik, D.; Heldrup, J.; Hollnagel, H. (1989) Diagnosis and treatment in general prctice. 4. General practicioners' knowledge of their patients. Ugeskr Laeger. 157±61.

56

U. Mueller-Kolck

Pryor, D. (1987) The changing survival benefits of coronary revascularitsation over time. Circulation 5±13. Rapaport, E. (1975) Natural history of aortic and mitral valva disease. Amer. J. Cardiol. 35: 221. Ripley, R. M. (1998) Neural network models for breast cancer prognosis. Neural Computing and Application (7): 367±377. Rizzi, D. A. (1993) Medical prognosis ± some fundamentals. Theor Med. 365±375. Rothwell, P. M.; Warlow, C. P. (1999) Prediction of benefit from carotid endarterectomy in individual patients: a risk-modelling study. Lancet 353: 2105±2110. Rothwell, P. M.; Slattery, J.; Warlow, C. P. (1996) A systematic comparison of the risks of stroke and death due to carotid endarterectomy for symptomatic and asymptomatic stenosis. Stroke 27: 266±269. Ross, Jr. J.; Braunwald, E. (1968) Aortic stenosis. Circulation 38 (Suppl. 5): 61. Rowland, T.; Ohna-Machado, L.; Ohrn, A (1998) Comparison of multiple predicition models for ambulation following spinal cord injury. Proc AMIA Symp. 528±532. Sadegh-Zadeh, K. (1998) Fundamentals of clinical methodology: 2. Etiology. Artif. Intell Med. 227±270. Sadegh-Zadeh, K. (1994) Fundamentals of clinical methodology: 1. Differential Indication. Artif. Intell Med. 83±102. Sadegh-Zadeh, K. (1982) Foundations of clinical praxiology, part II: categorial and conjectural diagnosis. Metamedicine 159±191. Schwartz, S.; Griffin, T. (1986) Medical Thinking, The Psychology of Medical Judgement and Decision Making. pp 1±24. Springer, New York, Berlin, Heidelberg. Wiederhold, G.; Perreault, L. E. (1990) Clinical Resaerch Systems. In Shortliffe, E. H.; Perreault. L. E. Medical Informatics, Computer Application in Health Care. pp 526±627. Addison-Wesley Publ., Menlo Park, New York. Wiesemann, C. (1998) The significance of prognosis for a theory of medical practice. Theor med. Bioeth. 19: 253±261.