Können Data-Mining-Ansätze uns zu besseren Diagnostikern machen?

Einleitung

Speicheldrüsentumoren machen 3–6 % aller Kopf-Hals-Neoplasien aus. Die Unterscheidung hinsichtlich der Dignität stellt im Rahmen der Ultraschall(US)-Diagnostik jedoch eine Herausforderung dar. Ziel der Studie war es, den Einfluss von Ausbildungsstand und Spezialisierung auf die US-Befundung von Parotistumoren zu untersuchen und individuelle Befundungsmuster zu identifizieren.

Material und Methode

149 Patienten mit Parotistumoren wurden retrospektiv analysiert. Präoperative US-Befunde wurden von sechs Untersuchern unterschiedlicher Fachrichtungen (HNO, Neuroradiologie, Radioonkologie) hinsichtlich der Dignität anhand klinischer und sonomorphologischer Parameter bewertet. Die Befunde wurden mit den histopathologischen Ergebnissen abgeglichen. Ein Data-Mining(DM)-Workflow umfasste die Nutzung eines Decision-Tree-(DCT) und eines Random-Forest(RF)-Modells, um individuelle Entscheidungswege und die Vorhersagekraft kombinierter Diagnosen zu analysieren.

Ergebnisse

Die diagnostische Genauigkeit der Untersucher variierte zwischen 61% und 86% und korrelierte mit der fachlichen Erfahrung. Das DCT-Modell identifizierte signifikante Unterschiede in den individuellen Entscheidungsstrategien, die stark vom Ausbildungsstand und der Spezialisierung der Untersucher abhingen. Das RF-Modell erzielte eine Gesamtgenauigkeit von 94%.

Diskussion

Die Studie verdeutlicht die erhebliche Variabilität in der diagnostischen Genauigkeit der US-Diagnostik von Parotistumoren. Die Ergebnisse unterstreichen die Notwendigkeit einer standardisierten sonographischen Ausbildung, um die diagnostische Qualität zu erhöhen. Der Einsatz von DM zeigt das Potenzial zur Verbesserung der Präzision und der Entwicklung robuster Vorhersagemodelle, die zur Optimierung der Patientenversorgung beitragen können.

Nein.