Logo des Repositoriums
 

Medizinischer Erkenntnisgewinn aus vernetzten Datenbanken

dc.contributor.authorFritz, P
dc.contributor.authorKlenk, S
dc.contributor.authorDippon, J
dc.contributor.authorKleinhans, A
dc.contributor.authorAlbu, P
dc.contributor.authorFriedel, G
dc.contributor.authorZakim, A
dc.contributor.authorOtt, G
dc.contributor.authorBraun, N
dc.contributor.authorThon, P
dc.contributor.authorWinter, S
dc.contributor.authorBrinckmann, F
dc.contributor.authorAlscher, D
dc.contributor.editorFischer, Stefan
dc.contributor.editorMaehle, Erik
dc.contributor.editorReischuk, Rüdiger
dc.date.accessioned2020-01-28T13:24:01Z
dc.date.available2020-01-28T13:24:01Z
dc.date.issued2009
dc.description.abstractBei einer Wissensverdopplung der Medizin von unter 10 Jahren ist ein medizinischer Erkenntniszuwachs zwangsläufig auch auf die Analyse historischer Daten angewiesen. Die dem vorliegenden Beitrag zugrunde liegenden Datenbanken umfassen die Krankheitsbilder des Mammakarzinoms, Bronchialkarzinoms, kolorektalen Karzinoms, der verkapselnden Peritonealsklerose und der Riesenzellarteriitis. Folgende Analysen wurden mit diesen Datenbanken ausgeführ:univariate und multivariate Überlebensanalysen, Erstellung und Vergleich von Risikoprofilen, Datamining, Suche nach ähnlichen und identischen Fällen. Beispiele von Erkenntnissen aus der Analyse retrospektiver Daten sind: (1) die histologische Subklassifikation des Mammakarzinoms erlaubt keine Vorhersage des Überlebens, (2) verschleimende und nicht verschleimende kolorektale Karzinome unterscheiden sich hinsichtlich des Überlebens abhängig von der Lokalisation des Tumors (3) die Bestimmung des Glukokortikoidrezeptors erlaubt eine grobe Vorhersage des Therapieansprechens bei der Riesenzellarteriitis (4) die histologische Bewertung erlaubt keine Vorhersage des weiteren Verlaufs bei der sklerosierenden Peritonitis. Den unbestreitbaren Vorteilen der Analyse retrospektiver Daten stehen erhebliche informationstechnologische Probleme gegenüber: (1) meist ungelöste Schnittstellenprobleme (2) die Daten liegen häufig ungeordnet als String Variable vor (3) die Daten werden oft einer wissenschaftlichehn Auswertung trotz Anonymisierung vorenthalten (4) Fehlen von Analyseprogrammen für Nicht-Statistikerde
dc.identifier.isbn978-3-88579-248-2
dc.identifier.pissn1617-5468
dc.identifier.urihttps://dl.gi.de/handle/20.500.12116/31106
dc.language.isode
dc.publisherGesellschaft für Informatik e. V.
dc.relation.ispartofInformatik 2009 – Im Focus das Leben
dc.relation.ispartofseriesLecture Notes in Informatics (LNI) - Proceedings, Volume P-154
dc.titleMedizinischer Erkenntnisgewinn aus vernetzten Datenbankende
dc.typeText/Conference Paper
gi.citation.endPage159
gi.citation.publisherPlaceBonn
gi.citation.startPage159
gi.conference.date28.9.-2.10.2009
gi.conference.locationLübeck
gi.conference.sessiontitleRegular Research Papers

Dateien

Originalbündel
1 - 2 von 2
Lade...
Vorschaubild
Name:
159.pdf
Größe:
86.7 KB
Format:
Adobe Portable Document Format
Lade...
Vorschaubild
Name:
cd-1507.pdf
Größe:
75.48 KB
Format:
Adobe Portable Document Format