Programm & Abstracts                 "Innovationen in der Augenheilkunde"

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.

Zurück/Back