Comparison of treatment plan models

Abstract

Um Ärzte beim Prozess der Behandlungsplanung zu unterstützen werden so genannte klinische Leitlinien erstellt. Diese enthalten allgemeine Informationen zu einem bestimmten klinischen Zustand sowie Regeln und Verfahren um Patienten mit diesem Zustand zu behandeln. Da diese Leitlinien in freiem Text dargestellt sind, ist es für Ärzte schwierig sie bei der täglichen Arbeit zu verwenden. Deshalb wird die Information in dem Leitlinien-Dokument formalisiert um computergestützte Leitlinien zu erstellen. Wir arbeiten mit der Formalisierungssprache Asbru. Die Erstellung dieser computer-interpretierbaren Leilinien geschieht entweder manuell, was ein großer Aufwand ist, oder automatisch mit Methoden der Informationsextraktion. Das Ziel dieser Arbeit ist zu überprüfen, ob das automatisch erstellte Model einer Leitlinie dem manuell erstellten Model der selben Leitlinie entspricht. Dies manuell zu tun wäre wieder ein großer Aufwand und daher möchte ich Methoden untersuchen, um automatisch Teile dieser Modelle zu evaluieren. Ich konzentriere mich auf das prozedurale Wissen der Modelle. Um zwei verschiedene Modelle vergleichen zu können habe ich sie untersucht. Zuerst habe ich Methoden entwickelt, um zwei Modelle zu vergleichen. Um eine Aussage über die Ähnlichkeit von zwei Modellen machen zu können, haben wir mit einem Vergleich ihrer Aktivitäten mit Hilfe von Ähnlichkeitsmetriken begonnen, um übereinstimmende Pläne der zwei Modelle zu identifizieren. In einem zweiten Schritt haben wir uns darüber hinaus ihre Prozessstruktur unter Verwendung von Workflow-Mustern angeschaut und versucht wieder Gemeinsamkeiten zu finden. Dann habe ich diese Methoden prototypisch implementiert und mittels eines `real-world' Beispiels, einer Leitlinie für Gestationsdiabetes Mellitus, getestet. Das Beispiel basierte auf der Ausgabe des GESHER Tools für die manuelle Erstellung von computergestützten Behandlungsplan-Modellen und des Tools LASSIE zum automatischen Erstellen von computergestützten Behandlungsplan-Modellen. Unter Verwendung dieses Beispiels haben wir evaluiert, wie viel von dem originalen Leitlinien Text im automatisch erzeugten Modell vorkommt. Schließlich wurde evaluiert, ob das automatisch erstellte Modell dieselbe Information findet, die im manuell erstellten Modell vorkommt.

To assist physicians with the treatment planning process so-called clinical practice guidelines are created. They contain general information about a specific clinical condition as well as rules and procedures to treat patients with this condition. As these guidelines are represented in free text form they are difficult to handle for physicians in their daily working process. Therefore the information in the guideline document is formalized to create computerized guidelines. We work with the formalization language Asbru. The creation of these computer-interpretable guidelines is either done manually which is a great effort or automatically using methods of Information Extraction. The aim of this thesis is to verify whether the automatically generated model of a guideline corresponds to the manually generated model of the same guideline. Doing this manually would again be a great effort and therefore I want to investigate methods to automatically evaluate parts of these models. I focus on the procedural knowledge of the models. To be able to compare two different models I investigated them. At first I developed methods to compare two models. To make a statement about the similarity of two models we started with comparing their activities using similarity metrics in order to identify corresponding plans of two models. In a second step we furthermore looked into their process structure using workflow patterns and tried to find similarities as well. Then I implemented these methods prototypically and tested them using a `real-world' example, a guideline for gestational diabetes mellitus. The example was based on the output of the GESHER tool for manually creating computerized treatment plan models and the tool LASSIE for automatically creating computerized treatment plan models. Using this example we evaluated how much of the original guideline text is present in the automatically generated model. Finally, it was evaluated if the automatically generated model finds the same information as present in the manually generated model.