The use of the diagnostic paradigm in modelling medical decision making

  • U. Feldmann
Conference paper
Part of the Lecture Notes in Medical Informatics book series (LNMED, volume 36)

Keywords

Latent Variable Posterior Probability Discriminant Function Joint Density Design Function 
These keywords were added by machine and not by the authors. This process is experimental and the keywords may be updated as the learning algorithm improves.

Zusammenfassung

Diskriminanzverfahren lassen sich in zwei Klassen einteilen, die von Dawid (1979) ‘sampling paradigm’ und ‘diagnostic paradigm’ genannt wurden. Zu der ersten Klasse gehören diejenigen Verfahren, die auf der Dichteschätzung beruhen und Gebrauch von dem Bayes’schen Theorem machen. Hierzu zählen fast alle bekannten Diskriminanz-Verfahren, z.B. die lineare und quadratische Diskriminanz-Analyse, Kern -Schätzer-Methoden und Unabhängigkeits-Modelle.

Das bisher einzige Diskriminanz-Verfahren, das die A-posteriori-Wahrscheinlichkeit ohne Gebrauch des Bayes’schen Theorems direkt schätzt und damit das diagnostische Pradigma erfüllt, ist die logistische Diskriminanz-Analyse.

Es wird ein allgemeines Diskriminanz-Modell vorgestellt, das ebenfalls das diagnostische Paradigma erfüllt und das unabhängig von speziellen Verteilungsannahmen eine kanonische Analyse gestattet.

Die Anwendung dieses Verfahrens in der Medizin bringt vor allem für die Modellierung der klinischen Prognostik erhebliche Vorteile, denn es gestattet die Analyse der ordinalen Struktur von Risiken.

Beispiele aus dem Bereich der präoperativen Prognostik perioperativer Koe plikationen sowie der Prognostik des letalen Ausgangs der Peritonitis-Krankheit werden diskutiert.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

References

  1. Anderson, J.A. (1984): Regression and ordered categorical variables. J.R.Statist.Soc. B 46, No. 1, 1–30.Google Scholar
  2. David, A.P. (1976): Properties of diagnostic data distributions. Biometrics 32, 647–658CrossRefGoogle Scholar
  3. Feldmann,U;Osswald,H.P.;Johann,H. (1984): Einsatz der logistischen DiskriminanzAnalyse zur Prognostik perioperativer Komplikationen mit ordinaler Risiko-Skalierung. Medizinische Informatik und Statistik 50, 268–280CrossRefGoogle Scholar
  4. Feldmann, U. (1985): Evaluation of ordinal regression and discrimination models in medical prognostics. In: Medical decision making, diagnostic strategies and expert systems (.7.Bemmel ed.) North Holland, Amsterdam,236–240Google Scholar
  5. Mc Cullagh, P. (1980): Regression models for ordinal data. J.R.Statist.Soc. B 42,No. 2. 109–142Google Scholar
  6. Titterington, D.M.;Murray,G.D.;Murray,L.S.,Spiegelhalter,D.J.;Skene,A.M; Habbema,J.D.F.;Gelpke G.J. (1980): Comparison of discriminant techniques applied to a complex data set of head injured patients. J.R.Statist.Soc. A 144,No. 2, 145–175Google Scholar
  7. Wacha,H;Linder,M.M;Feldmann,U;Wesch,G;Grundlach,E;Steifensand,R.A. (1987): Mannheim peritonitis index, prediction of risk of death from peritonitis. Theor.Surg. 1, 169–177Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1988

Authors and Affiliations

  • U. Feldmann
    • 1
  1. 1.Dept. Medical Statistics, Biomathematics and InformaticsUniversity of Heidelberg, Medical School MannheimGermany

Personalised recommendations