Advertisement

Die reservierte diagnostische Aussage — ihre klinische Bedeutung und ihre optimale Realisierung mit Hilfe entscheidungstheoretischer Methoden —

  • C. F. Hess
  • K. Brodda
Conference paper
Part of the Medizinische Informatik und Statistik book series (MEDINFO, volume 50)

Zusammenfassung

Die Formulierung der diagnostischen Aussage (DA) ist sowohl für den Ablauf des Diagnosevorgangs als auch für die terminale diagnostische Entscheidung und damit für Therapie und Prognoseabschätzung von entscheidender Bedeutung. Für jeden Patienten wird im allgemeinen nach Durchführung gewisser Basisuntersuchungen zunächst eine vorläufige DA getroffen, die eine initiale differentialdiagnostische Fragestellung beinhaltet. Davon abhängig werden weitere Untersuchungen ausgeführt, nach deren Ergebnissen die vorläufige DA modifiziert oder vollständig geändert wird.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 1.
    Gremy, F., Salomon, R., Chastang, C.: Theory of medical decision problems. Introductory remarks. In Shires, D. B. Wolf, H. (Eds): Medinfo 77, pp. 95–99. Amsterdam: North-Holland 1977.Google Scholar
  2. 2.
    Hess, C. F.: Die Klassenauswahl in Mustererkennungsprozessen — dargestellt am Beispiel computer gestützter Diagnose verfahren in der Medizin. Diss. Universität Mainz 1979.Google Scholar
  3. 3.
    Hess, C. F.: Individuell optimale Untersuchungsauswahl und individuell optimale diagnostische Aussage - ein umfassendes Verfahren zur computergestützten Differentialdiagnose. Diss. Universität Mainz 1982.Google Scholar
  4. 4.
    Hess, C. F., Brodda, K.: On the optimum choice of categories for the classification of biomedical data patterns. Meth. Inform. Med. 18 (1979) 222–228PubMedGoogle Scholar
  5. 5.
    Hess, C. F., Brodda, K.: On the optimum selection of investigations in computer-aided differential diagnosis. Zur Veröffentlichung eingereicht in Comp, biomed. Res.Google Scholar
  6. 6.
    Pipberger, H. V.: Potentialities, problems and perspectives of ECG data processing. Verh. dtsch. Ges. Kreisl.-Forsch. 44 (1978) 33–37.Google Scholar
  7. 7.
    Poppt, S. J., Herrmann, G., Hobel, W. et al.: Adaptive nonlinear approaches to nonparametric classification and discrimination techniques based on Pipberger ECG-file. In Shires, D. B. Wolf, H. (Eds): Medinfo 77, pp. 1017–1021. Amsterdam: North-Holland 1977.Google Scholar
  8. 8.
    Quesenberry, C. P., Gessaman, M. P.: Nonparametric discrimination using tolerance regions. Ann. math. Statist. 39 (1968) 664–673.CrossRefGoogle Scholar
  9. 9.
    Smets, P., Vainsel, H.; Bernard, P.; et al.: Bayesian probalitiy of fuzzy diagnosis. In Shires, D. B., Wolf, H. (Eds): Medinfo 77, pp. 121–122. Amsterdam: North-Holland 1977.Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1984

Authors and Affiliations

  • C. F. Hess
  • K. Brodda

There are no affiliations available

Personalised recommendations