Aktuelle Tagungsinformationen
News and Updates
Anmeldung zur Tagung
Registration
Hotelbuchung
Hotel Registration
Grußwort
Welcome address
Beteiligte Gesellschaften
Societies involved
Eröffnung des Kongresses
Opening Ceremony
Preise
Awards
Wissenschaftliches Programm
Scientific program
Posterpräsentationen
Poster Presentation
Kurse
Courses
Begleitende Veranstaltungen
Collateral Events
Rahmenprogramm
Social program
Jubiläumsparty
Jubilee Party
DOG Information
DOG Information
Allgemeine Informationen
General Information
Autorenindex
Index of Authors
Ausstellerliste
Exhibitors
Sponsoren
Sponsors
Teilnahmegebühren
Registration fees
Impressum
DOG Homepage
Glaukomdiagnose durch indirekte Klassifikation
1Peters A., 1Lausen B., 2Michelson G., 1Tessmar J., 1Gefeller O.,
1Friedrich-Alexander-Universität, Institut für Medizininformatik, Biometrie und Epidemiologie (IMBE) (Erlangen)
2Friedrich-Alexander-Universität, Augenklinik (Erlangen)
Hintergrund: Klassifikation von normalen und glaukomatösen Patienten basierend auf Daten des Heidelberg Retina Tomographen, der Papillometrie, der Perimetrie sowie der Anamnese.
Methoden: Wir bewerten verschieden Klassifikationsverfahren basierend auf einer Querschnittsstudie von 85 glaukomatösen und 85 normalen Patienten (gematched nach Alter und Geschlecht). Das Verfahren der indirekten Klassifikation (siehe Hand et al., 2001) wird dabei angewendet. Hierbei wird medizinisches a priori Wissen über die Erkrankung mit statistischen Methoden kombiniert, um die Misklassifikationsrate zu reduzieren, d.h. Sensitivität und Spezifität zu erhöhen. Wir verwenden Klassifikationsbäume als integriertes statistisches Verfahren. Bagging soll die Anzahl der Fehlklassifikationen weiter reduzieren, siehe Breiman (1996). Ergebnisse werden mit Resultaten der linearen Diskriminanzanalyse, Klassifikationsbäumen und gebaggten Klassifikationsbäumen verglichen.
Ergebnisse: Die lineare Diskriminanzanalyse klassifiziert 29.0% (Sensitivität: 71.0%, Spezifität: 75.5%) der betrachteten Augen falsch. Klassifikationsbäume erreichen eine Fehlerrate von 27.3% (Sensitivität: 72.5%, Spezifität: 72.9%), gebaggte Bäume erreichen 19.3% (Sensitivität: 79.7%, Spezifität: 81.7%). Im Gegensatz dazu erzielen die Klassifikationsbäume im indirekten Ansatz eine Fehlerrate von 22.8% (Sensitivität: 78.5%, Spezifität: 75.9%). Durch bagging kann dieser Wert auf 17.9% (Sensitivität: 87.3%, Spezifität: 76.9%) reduziert werden.
Schlussfolgerungen: Die Klassifikationsraten in dem hier demonstrierten Beispiel der Glaukomklassifikation können durch die Kombination von medizinischem und statistischem Wissen verbessert werden.
Literatur: Breiman L (1996): Bagging predictors, Machine Learning 24,123-140. Hand DJ, Li HG, Adams NM (2001): Supervised classification with structured class definitions, Computational Statistics & Data Analysis, 36, 209-225.