Analyse von Anomalien in der graphischen Modellierung von diagnostischem Wissen (Master-Arbeit)

Aus Kompetenzportal
Wechseln zu: Navigation, Suche
Analyse von Anomalien in der graphischen Modellierung von diagnostischem Wissen (Master-Arbeit)
Autor Gritje Meinke
Typ Master
Studiengang Wirtschaftsinformatik
Erstbetreuer Uwe Lämmel (Prof. Dr.-Ing.)
Zweitbetreuer Jürgen Cleve (Prof. Dr. rer. nat.)
Status der Abschlussarbeit verteidigt
Datum der Verteidigung 2011/07/08
Erscheinungsjahr 2011
Link

Problemstellung und Motivation

Der global agierende, börsennotierte Konzern Dräger ist ein international führendes Unternehmen im Bereich der Medizin- und Sicherheitstechnik, das bereits in fünfter Generation durch Familienhand geführt wird. Dräger beschäftigt weltweit ca. 11.000 Mitarbeiter in über 190 Ländern.

Der Unternehmensbereich Medizintechnik entwickelt innovative Geräte und Lösungen entlang der gesamten Prozesskette der Akutmedizin (Notfall-, Intensiv-, Perioperativ- und Perinatalmedizin). Im Bereich Beatmung und Narkose sowie auch in der Überwachung der Vitaldaten von Patienten ermöglichen die Lösungen von Dräger die höchste Therapiequalität.

In einigen Medizinprodukten werden wissensbasierte Systeme zur intelligenten Steuerung und adaptiven Überwachung der Therapie genutzt - z.B. zur automatischen Entwöhnung eines Patienten von der Beatmung.

Das Wissen, das diesen Systemen zu Grunde liegt, wurde bisher mit Hilfe einer kommerziellen Software akquiriert und formalisiert. Seit Ende 2010 wird das semantische Wiki KnowWE (Knowledge Wiki Environment) und dessen graphische Notation DiaFlux zu eben diesem Zwecke eingesetzt. Als kollaborative Websoftware ermöglicht ein semantisches Wiki die einfache Zusammenarbeit von Wissensingenieuren und Domänen-Experten und vereinheitlicht formelles und informelles Wissen. Trotz der intuitiven Bedienbarkeit eines Wikis ist die Syntax eines semantischen Wikis gerade für den Domänen-Experten nicht immer einfach umzusetzen. Daher bietet KnowWE die Modellierungssprache DiaFlux, die den komplexen Prozess der Wissensmodellierung stark vereinfacht. DiaFlux dient der Abbildung diagnostischer Wissensflüsse und ist somit in der Lage, klinische Richtlinien in Flussdiagrammen mit wenigen, intuitiven Elementen darzustellen. Dadurch wird das modellierte Wissen leichter verständlich und wartbar.

Während KnowWE kontinuierlich Tests zur Sicherung der Qualität der Wissensbasen unterzogen wird, ist die Qualitätssicherung von DiaFlux erst wenig berührt. Für den industriellen Einsatz ist diese jedoch ein essentieller und unabdingbarer Bestandteil des Knowledge Engineering Prozesses. Nur so kann die höchste Therapiequalität in den automatisierten Systemen gewährleistet werden.

Allerdings können auch in einer graphischen Modellierung Fehler auftreten. Der Fokus dieser Master Thesis liegt in der Identifikation und Analyse von Anomalien, die Symptome möglicher Modellierungsfehler beschreiben. Anomalien in diagnostischen Flüssen sollen durch Recherche in klassischer und aktueller Literatur sowie anhand praktischer Experimente mit DiaFlux erkannt und aufgezeigt werden. Die gefundenen Anomalien werden strukturiert und gegebenenfalls auf DiaFlux übertragen. Die Recherchen bewegen sich im Bereich der Prozess- und Workflow-Modellierung, da mittels DiaFlux Problemdiagnostiken als Flussdiagramme modelliert werden. Die Flussdiagramme bilden diagnostisches Wissen zu Problemlösungsprozessen ab. Dies kann von einfachen Alltagsproblemen bis hin zu medizinischen Therapieszenarien reichen.

Ein weiterer Schwerpunkt der Arbeit ist die prototypische Implementierung eines Detektionsalgorithmus’ für eine DiaFlux-Anomalie im Rahmen der kontinuierlichen Integrationsumgebung für Tests von KnowWE. Darüber hinaus wird ein Visualisierungskonzept für in einer Modellierung detektierte Anomalien diskutiert. Die aus der Arbeit resultierenden Qualitätsmethoden werden zukünftig die kontinuierliche Qualitätskontrolle der Wissensbasen in KnowWE ergänzen und den industriellen Einsatz der Modellierung mit DiaFlux unterstützen.