Differenzialdiagnose - Differential diagnosis

Differenzialdiagnose
Gittergewebe	D003937
[ auf Wikidata bearbeiten ]

Im Gesundheitswesen ist eine Differentialdiagnose (abgekürzt DDx ) eine Methode zur Analyse der Anamnese und körperlichen Untersuchung eines Patienten, um die richtige Diagnose zu stellen. Es beinhaltet die Unterscheidung einer bestimmten Krankheit oder eines bestimmten Zustands von anderen, die ähnliche klinische Merkmale aufweisen. Differentialdiagnostische Verfahren werden von Klinikern verwendet, um die spezifische Krankheit eines Patienten zu diagnostizieren oder zumindest alle unmittelbar lebensbedrohlichen Zustände zu berücksichtigen. Oft wird jede einzelne Variante einer möglichen Erkrankung als Differentialdiagnose bezeichnet (z. B. könnte eine akute Bronchitis eine Differentialdiagnose bei der Beurteilung eines Hustens sein, auch wenn die endgültige Diagnose eine Erkältung ist ).

Allgemeiner gesagt ist ein differenzialdiagnostisches Verfahren ein systematisches diagnostisches Verfahren, das verwendet wird, um das Vorhandensein einer Krankheitsentität zu identifizieren , bei der mehrere Alternativen möglich sind. Diese Methode kann Algorithmen verwenden, ähnlich dem Eliminationsprozess , oder zumindest ein Prozess der Gewinnung von Informationen, der die "Wahrscheinlichkeiten" von Kandidatenzuständen auf ein vernachlässigbares Maß reduziert, indem Beweise wie Symptome, Patientenanamnese und medizinisches Wissen verwendet werden, um epistemischen zu korrigieren Vertrauen in den Kopf des Diagnostikers (oder bei computergestützter oder computergestützter Diagnose der Software des Systems).

Die Differentialdiagnose kann als Implementierung von Aspekten der hypothetisch-deduktiven Methode angesehen werden , in dem Sinne, dass das potenzielle Vorhandensein von Kandidatenkrankheiten oder -zuständen als Hypothesen angesehen werden kann, die Kliniker weiter als wahr oder falsch bestimmen.

Eine Differentialdiagnose wird auch häufig im Bereich der Psychiatrie/Psychologie verwendet, wo zwei verschiedene Diagnosen einem Patienten zugeordnet werden können, der Symptome aufweist, die in eine der beiden Diagnosen passen könnten. Zum Beispiel kann einem Patienten, bei dem eine bipolare Störung diagnostiziert wurde, auch eine Differenzialdiagnose einer Borderline-Persönlichkeitsstörung gegeben werden, da die Symptome beider Erkrankungen ähnlich sind.

Die Strategien, die bei der Erstellung einer Differentialdiagnoseliste verwendet werden, variieren je nach Erfahrung des Gesundheitsdienstleisters. Während unerfahrene Ärzte möglicherweise systemisch daran arbeiten, alle möglichen Erklärungen für die Bedenken eines Patienten zu bewerten, greifen diejenigen mit mehr Erfahrung häufig auf klinische Erfahrung und Mustererkennung zurück, um den Patienten vor Verzögerungen, Risiken und Kosten ineffizienter Strategien oder Tests zu schützen. Effektive Anbieter nutzen einen evidenzbasierten Ansatz und ergänzen ihre klinische Erfahrung mit Wissen aus der klinischen Forschung.

Allgemeine Komponenten

Eine Differentialdiagnose umfasst vier allgemeine Schritte. Der Arzt wird:

1. Sammeln Sie relevante Informationen über den Patienten und erstellen Sie eine Symptomliste.
2. Nennen Sie mögliche Ursachen ( Krankheitskandidaten ) für die Symptome. Die Liste bedarf keiner Schriftform.
3. Priorisieren Sie die Liste, indem Sie die Risiken einer Diagnose mit der Wahrscheinlichkeit abwägen. Dies sind subjektive, keine objektiven Parameter.
4. Führen Sie Tests durch, um die tatsächliche Diagnose zu ermitteln. Dies ist unter dem umgangssprachlichen Ausdruck „to Rule Out“ bekannt. Auch nach dem Prozess ist die Diagnose nicht klar. Der Kliniker erwägt erneut die Risiken und kann sie empirisch behandeln, oft als "Educated Best Guess" bezeichnet.

Eine Gedächtnisstütze , die bei der Betrachtung mehrerer möglicher pathologischer Prozesse hilft, ist VINDICATE'M :

• V askular
• Ich bin entzündlich/ ich bin ansteckend
• N eoplastic
• D egenerative/ D eficiency/ D - Teppiche
• Ich diopathic/ I ntoxication/ I atrogenic
• C ongenital
• Ein utoimmune/ A llergic/ A natomic
• T raumatisch
• E ndocrine/ E nvironmental
• M etabolic

Spezifische Methoden

Es gibt mehrere Methoden für differenzialdiagnostische Verfahren und mehrere Varianten darunter. Darüber hinaus kann ein differenzialdiagnostisches Verfahren begleitend oder im Wechsel mit Protokollen, Leitlinien oder anderen diagnostischen Verfahren (zB Mustererkennung oder Anwendung medizinischer Algorithmen ) eingesetzt werden.

Im Falle eines medizinischen Notfalls kann es beispielsweise sein, dass die Zeit nicht ausreicht, um detaillierte Berechnungen oder Schätzungen verschiedener Wahrscheinlichkeiten durchzuführen. In diesem Fall kann das ABC-Protokoll ( Atemweg, Atmung und Kreislauf ) besser geeignet sein. Später, wenn die Situation weniger akut ist, kann ein umfassenderes differenzialdiagnostisches Verfahren angewendet werden.

Das differenzialdiagnostische Verfahren kann vereinfacht werden, wenn ein " pathognomonisches " Zeichen oder Symptom gefunden wird (in diesem Fall ist es fast sicher, dass der Zielzustand vorliegt) oder wenn ein " sine qua non" -Zeichen oder -Symptom fehlt (in diesem Fall ist es ist fast sicher, dass die Zielbedingung fehlt).

Ein Diagnostiker kann selektiv vorgehen und zuerst diejenigen Störungen berücksichtigen, die wahrscheinlicher sind (ein probabilistischer Ansatz), schwerwiegender sind, wenn sie nicht diagnostiziert und nicht behandelt werden (ein prognostischer Ansatz) oder auf die Behandlung ansprechen, wenn sie angeboten werden (ein pragmatischer Ansatz). Da die subjektive Wahrscheinlichkeit für das Vorliegen einer Erkrankung nie genau 100 % oder 0 % beträgt, kann das differenzialdiagnostische Verfahren darauf abzielen, diese verschiedenen Wahrscheinlichkeiten zu spezifizieren, um Hinweise für das weitere Vorgehen zu geben.

Im Folgenden sind zwei Methoden der Differentialdiagnose aufgeführt, die auf Epidemiologie bzw. Wahrscheinlichkeitsverhältnissen basieren.

Epidemiologie-basierte Methode

Eine Methode zur Durchführung einer Differentialdiagnose durch Epidemiologie zielt darauf ab, die Wahrscheinlichkeit jeder in Frage kommenden Erkrankung abzuschätzen, indem ihre Wahrscheinlichkeiten verglichen werden, mit denen sie in erster Linie bei der Person aufgetreten sind. Sie basiert auf Wahrscheinlichkeiten, die sich sowohl auf die Präsentation (z. B. Schmerzen) als auch auf Wahrscheinlichkeiten der verschiedenen in Frage kommenden Erkrankungen (z. B. Krankheiten) beziehen.

Theorie

Die statistische Grundlage für die Differentialdiagnose ist der Satz von Bayes . Als Analogie gilt: Wenn ein Würfel gelandet ist, ist das Ergebnis zu 100 % sicher, aber die Wahrscheinlichkeit, dass er an erster Stelle aufgetreten wäre (im Folgenden als WHOIFP abgekürzt ), beträgt immer noch 1/6. In der gleichen Art und Weise, dass die Wahrscheinlichkeit , eine Präsentation oder Bedingung würde in erster Linie in einem Individuum (WHOIFPI) aufgetreten ist , ist nicht dasselbe wie die Wahrscheinlichkeit , dass die Präsentation oder einen Zustand hat , in dem Individuum aufgetreten ist , weil die Präsentation wird um 100% aufgetreten Gewissheit im Individuum. Die beitragenden Wahrscheinlichkeitsanteile jeder Bedingung werden jedoch relativ gleich angenommen:

${\displaystyle {\begin{aligned}&{\frac {\Pr({\text{Präsentation wird durch eine Bedingung in Person verursacht}})}{\Pr({\text{Präsentation ist in Person aufgetreten}})}} ={\frac {\Pr({\text{Präsentation WHOIFPI nach Bedingung}})}{\Pr({\text{Präsentation WHOIFPI}})}}\end{ausgerichtet}}}$

wo:

• Pr(Präsentation wird durch eine Bedingung in der Person verursacht) ist die Wahrscheinlichkeit, dass die Präsentation durch eine Bedingung in der Person verursacht wird Bedingung ohne weitere Angabe bezieht sich auf eine beliebige Kandidatenbedingung
• Pr(Präsentation ist im Individuum aufgetreten) ist die wahrnehmbare Wahrscheinlichkeit, dass die Präsentation im Individuum aufgetreten ist und wird dadurch auf 100 % gesetzt.
• Pr(Präsentation WHOIFPI nach Bedingung) ist die Wahrscheinlichkeit, dass die Präsentation in erster Linie bei der Person nach Bedingung aufgetreten wäre
• Pr(Präsentation WHOIFPI) ist die Wahrscheinlichkeit, dass die Präsentation in erster Linie bei der Person aufgetreten wäre

Wenn sich eine Person mit einem Symptom oder Zeichen präsentiert, beträgt Pr(Präsentation ist bei der Person aufgetreten) 100% und kann daher durch 1 ersetzt werden und kann ignoriert werden, da die Division durch 1 keinen Unterschied macht:

${\displaystyle \Pr({\text{Präsentation wird durch Bedingung im Individuum verursacht}})={\frac {\Pr({\text{Präsentation WHOIFPI durch Bedingung}})}{\Pr({\text{Präsentation WHOIFPI }})}}}$

Die Gesamtwahrscheinlichkeit des Auftretens der Präsentation beim Individuum kann als Summe der einzelnen Kandidatenbedingungen angenähert werden:

${\displaystyle {\begin{aligned}\Pr({\text{Präsentation WHOIFPI}})&=\Pr({\text{Präsentation WHOIFPI nach Bedingung 1}})\\&{}+\Pr({\text {Präsentation WHOIFPI nach Bedingung 2}})\\&{}+\Pr({\text{Präsentation WHOIFPI nach Bedingung 3}})+{\text{etc.}}\end{aligned}}}$

Außerdem ist die Wahrscheinlichkeit, dass die Präsentation durch eine beliebige Kandidatenbedingung verursacht wurde, proportional zur Wahrscheinlichkeit der Bedingung, je nachdem, mit welcher Rate sie die Präsentation verursacht:

${\displaystyle \Pr({\text{Präsentation WHOIFPI nach Bedingung}})=\Pr({\text{Bedingung WHOIFPI}})\cdot r_{{\text{Bedingung}}\rightarrow {\text{Präsentation}} },}$

wo:

• Pr(Präsentation WHOIFPI nach Bedingung) ist die Wahrscheinlichkeit, dass die Präsentation in erster Linie bei der Person nach Bedingung aufgetreten wäre
• Pr(Bedingung WHOIFPI) ist die Wahrscheinlichkeit, dass die Erkrankung in erster Linie bei der Person aufgetreten wäre
• r _{Bedingung → Präsentation} ist die Rate, mit der eine Bedingung die Präsentation verursacht, d. h. der Anteil der Menschen mit Bedingungen, die sich bei der Präsentation manifestieren.

Die Wahrscheinlichkeit, dass eine Erkrankung überhaupt erst bei einem Individuum aufgetreten wäre, ist ungefähr gleich der einer Population, die dem Individuum mit Ausnahme der aktuellen Präsentation so ähnlich wie möglich ist, soweit möglich kompensiert durch relative Risiken, die durch einen bekannten Risikofaktor gegeben sind , der das Individuum von der Bevölkerung unterscheiden:

${\displaystyle \Pr({\text{Bedingung WHOIFPI}})\approx RR_{\text{Bedingung}}\cdot \Pr({\text{Bedingung in der Bevölkerung}}),}$

wo:

• Pr(Bedingung WHOIFPI) ist die Wahrscheinlichkeit, dass die Erkrankung in erster Linie bei der Person aufgetreten wäre
• RR- _Bedingung ist das relative Erkrankungsrisiko , das durch bekannte Risikofaktoren bei der Person verursacht wird, die in der Population nicht vorhanden sind
• Pr(Bedingung in Population) ist die Wahrscheinlichkeit, dass die Bedingung in einer Population auftritt, die dem Individuum bis auf die Darstellung möglichst ähnlich ist

Die folgende Tabelle zeigt, wie diese Beziehungen für eine Reihe von Kandidatenbedingungen hergestellt werden können:

	Kandidatenbedingung 1	Kandidatenbedingung 2	Kandidatenbedingung 3
Pr(Bedingung in der Bevölkerung)	Pr(Zustand 1 in der Bevölkerung)	Pr(Bedingung 2 in der Bevölkerung)	Pr(Bedingung 3 in der Bevölkerung)
RR- Bedingung	RR 1	RR 2	RR 3
Pr(Bedingung WHOIFPI)	Pr(Bedingung 1 WHOIFPI)	Pr(Bedingung 2 WHOIFPI)	P(Bedingung 3 WHOIFPI)
r Zustand → Präsentation	r Bedingung 1 → Präsentation	r Bedingung 2 → Präsentation	r Bedingung 3 → Präsentation
Pr(Präsentation WHOIFPI nach Bedingung)	Pr(Präsentation WHOIFPI nach Bedingung 1)	Pr(Präsentation WHOIFPI nach Bedingung 2)	Pr(Präsentation WHOIFPI nach Bedingung 3)
Pr(Präsentation WHOIFPI) = die Summe der Wahrscheinlichkeiten in der darüber liegenden Zeile
Pr(Präsentation wird durch den Zustand des Individuums verursacht)	Pr(Präsentation wird durch Bedingung 1 in Person verursacht)	Pr(Präsentation wird durch Bedingung 2 im Individuum verursacht)	Pr(Präsentation wird durch Bedingung 3 im Individuum verursacht)

Ein zusätzlicher „Kandidatenzustand“ ist der Fall, dass keine Anomalie vorliegt und die Präsentation nur ein (in der Regel relativ unwahrscheinlicher) Anschein eines im Grunde normalen Zustands ist. Seine Wahrscheinlichkeit in der Population ( P(Keine Anomalie in der Population) ) ist komplementär zur Summe der Wahrscheinlichkeiten von "anomalen" Kandidatenzuständen.

Beispiel

Dieser Beispielfall demonstriert die Anwendung dieser Methode, stellt jedoch keine Richtlinie für den Umgang mit ähnlichen realen Fällen dar. Das Beispiel verwendet relativ Zahlen auch, angegeben mit manchmal mehr Dezimalstellen , während in der Realität gibt es oft nur grobe Schätzungen sind, wie zum Beispiel von Wahrscheinlichkeiten sind sehr hoch , hoch , niedrig oder sehr niedrig , aber immer noch die allgemeinen Grundsätze des Verfahrens.

Für eine Person (die in diesem Beispiel der "Patient" wird) zeigt ein Bluttest von beispielsweise Serumkalzium ein Ergebnis über dem Standardreferenzbereich , der nach den meisten Definitionen als Hyperkalzämie klassifiziert wird , was zur "Präsentation" wird. in diesem Fall. Ein Kliniker (der in diesem Beispiel zum "Diagnostiker" wird), der den Patienten derzeit nicht sieht, erfährt von seinem Befund.

Aus praktischen Gründen ist der Arzt der Ansicht, dass genügend Testindikationen vorliegen , um die Krankenakte des Patienten einzusehen . Nehmen wir der Einfachheit halber an, dass die einzige Information in den Krankenakten eine Familienanamnese des primären Hyperparathyreoidismus (hier abgekürzt als PH) ist, was den Befund einer Hyperkalzämie erklären könnte. Nehmen wir an, dass der resultierende hereditäre Risikofaktor für diesen Patienten ein relatives Risiko von 10 (RR _PH = 10) ergibt .

Der Kliniker hält die Motivation für eine differenzialdiagnostische Untersuchung zum Nachweis einer Hyperkalzämie für ausreichend. Die Hauptursachen für Hyperkalzämie sind primärer Hyperparathyreoidismus (PH) und Krebs . Der Einfachheit halber kann die Liste der möglichen Erkrankungen, an die der Kliniker denken könnte, wie folgt angegeben werden:

• Primärer Hyperparathyreoidismus (PH)
• Krebs
• Andere Krankheiten, die dem Kliniker einfallen könnten (die für den Rest dieses Beispiels einfach als "andere Erkrankungen" bezeichnet werden)
• Keine Krankheit (oder keine Anomalie) und der Befund wird ausschließlich durch statistische Variabilität verursacht

Die Wahrscheinlichkeit, dass beim Individuum ( P(PH WHOIFPI) ) überhaupt ein „primärer Hyperparathyreoidismus“ (PH) aufgetreten wäre, lässt sich wie folgt berechnen:

Nehmen wir an, der letzte Bluttest des Patienten liegt vor einem halben Jahr und war normal und die Inzidenz des primären Hyperparathyreoidismus in einer Allgemeinbevölkerung entspricht angemessen dem Individuum (abgesehen von der Präsentation und der erwähnten Vererbung) 1 zu 4000 pro Jahr. Ignoriert mehr detaillierte retrospektive Analysen (wie den Krankheitsverlaufes und einschließlich Geschwindigkeit Verzögerungszeit der medizinischen Diagnostik ), die Zeit-at-Risk für etwa als das letzte Halbjahr , weil eine zuvor entwickelte Hyperkalzämie würde wahrscheinlich angesehen werden kann primären Hyperparathyreoidismus entwickelt hat durch den vorherigen Bluttest eingeholt wurden. Dies entspricht einer Wahrscheinlichkeit eines primären Hyperparathyreoidismus (PH) in der Bevölkerung von:

${\displaystyle \Pr({\text{PH in Bevölkerung}})=0.5{\text{ Jahre}}\cdot {\frac {1}{\text{4000 pro Jahr}}}={\frac {1} {8000}}}$

Mit dem aus der Familienanamnese abgeleiteten relativen Risiko beträgt die Wahrscheinlichkeit, dass bei dem Individuum überhaupt ein primärer Hyperparathyreoidismus (PH) aufgetreten wäre, nach den derzeit verfügbaren Informationen:

${\displaystyle \Pr({\text{PH WHOIFPI}})\approx RR_{PH}\cdot \Pr({\text{PH in Bevölkerung}})=10\cdot {\frac {1}{8000}} ={\frac{1}{800}}=0,00125}$

Es kann davon ausgegangen werden, dass primärer Hyperparathyreoidismus im Wesentlichen in 100 % der Fälle eine Hyperkalzämie verursacht (r _{PH → Hyperkalzämie} = 1) Präsentation:

${\displaystyle {\begin{aligned}\Pr({\text{Hyperkalzämie WHOIFPI nach PH}})&=\Pr({\text{PH WHOIFPI}})\cdot r_{{\text{PH}}\rightarrow {\text{Hyperkalzämie}}}\\&=0,00125\cdot 1=0,00125\end{ausgerichtet}}}$

Für Krebs wird der Einfachheit halber dieselbe Risikozeit angenommen, und nehmen wir an, dass die Krebsinzidenz in der Region auf 1 zu 250 pro Jahr geschätzt wird, was einer Bevölkerungswahrscheinlichkeit von Krebs entspricht:

${\displaystyle \Pr({\text{Krebs in der Bevölkerung}})=0.5{\text{ Jahre}}\cdot {\frac {1}{\text{250 pro Jahr}}}={\frac {1} {500}}}$

Nehmen wir der Einfachheit halber an, dass jeder Zusammenhang zwischen einer Familienanamnese mit primärem Hyperparathyreoidismus und dem Krebsrisiko ignoriert wird, sodass das relative Risiko für die Person, überhaupt an Krebs zu erkranken, ähnlich dem der Bevölkerung ist (RR- _Krebs = 1) :

${\displaystyle \Pr({\text{Krebs WHOIFPI}})\approx RR_{\text{Krebs}}\cdot \Pr({\text{Krebs in der Bevölkerung}})=1\cdot {\frac {1} {500}}={\frac {1}{500}}=0,002.}$

Hyperkalzämie tritt jedoch nur bei ungefähr 10 % der Krebsarten auf (r _{Krebs → Hyperkalzämie} = 0,1), also:

${\displaystyle {\begin{ausgerichtet}&\Pr({\text{Hyperkalzämie WHOIFPI durch Krebs}})\\=&\Pr({\text{Krebs WHOIFPI}})\cdot r_{{\text{Krebs} }\rightarrow {\text{Hyperkalzämie}}}\\=&0.002\cdot 0.1=0.0002.\end{aligned}}}$

Die Wahrscheinlichkeiten, dass eine Hyperkalzämie bei anderen in Frage kommenden Zuständen überhaupt aufgetreten wäre, können auf ähnliche Weise berechnet werden. Nehmen wir jedoch der Einfachheit halber an, dass die Wahrscheinlichkeit, dass eines dieser Ereignisse überhaupt eingetreten wäre, in diesem Beispiel mit 0,0005 berechnet wird.

Für den Fall, dass keine Krankheit vorliegt, ist die entsprechende Wahrscheinlichkeit in der Population komplementär zur Summe der Wahrscheinlichkeiten für andere Erkrankungen:

${\displaystyle {\begin{ausgerichtet}\Pr({\text{keine Krankheit in der Bevölkerung}})&=1-\Pr({\text{PH in der Bevölkerung}})-\Pr({\text{Krebs in Bevölkerung}})\\&{}\quad -\Pr({\text{andere Bedingungen in der Bevölkerung}})\\&{}=0,997.\end{ausgerichtet}}}$

Die Wahrscheinlichkeit, dass die Person überhaupt gesund wäre, kann als gleich angenommen werden:

${\displaystyle \Pr({\text{keine Krankheit WHOIFPI}})=0.997.\,}$

Die Rate, mit der der Fall, in der kein anormaler Zustand vorliegt, immer noch zu einer Messung des Serumkalziums über dem Standardreferenzbereich führt (wodurch als Hyperkalzämie klassifiziert wird), beträgt nach der Definition des Standardreferenzbereichs weniger als 2,5%. Diese Wahrscheinlichkeit kann jedoch weiter spezifiziert werden, indem berücksichtigt wird, wie stark die Messung vom Mittelwert im Standardreferenzbereich abweicht. Nehmen wir an, die Serumkalziummessung lag bei 1,30 mmol/L, was bei einem festgelegten Standardreferenzbereich von 1,05 bis 1,25 mmol/L einem Standardwert von 3 und einer entsprechenden Wahrscheinlichkeit von 0,14% entspricht, dass ein solcher Grad an Hyperkalzämie vorliegen würde trat in erster Linie auf, wenn keine Auffälligkeit vorliegt:

${\displaystyle r_{{\text{keine Krankheit}}\rightarrow {\text{Hyperkalzämie}}}=0,0014}$

Anschließend kann die Wahrscheinlichkeit, dass eine Hyperkalzämie ohne Krankheit entstanden wäre, wie folgt berechnet werden:

${\displaystyle {\begin{ausgerichtet}&\Pr({\text{Hyperkalzämie WHOIFPI durch keine Krankheit}})\\=&\Pr({\text{keine Krankheit WHOIFPI}})\cdot r_{{\text{ keine Krankheit}}\rightarrow {\text{Hyperkalzämie}}}\\=&0,997\cdot 0,0014\approx 0,0014\end{ausgerichtet}}}$

Die Wahrscheinlichkeit, dass beim Individuum überhaupt eine Hyperkalzämie aufgetreten wäre, lässt sich somit wie folgt berechnen:

${\displaystyle {\begin{ausgerichtet}&\Pr({\text{Hyperkalzämie WHOIFPI}})\\=&\Pr({\text{Hyperkalzämie WHOIFPI nach PH}})+\Pr({\text{Hyperkalzämie WHOIFPI durch Krebs}})\\&{}+\Pr({\text{Hyperkalzämie WHOIFPI durch andere Erkrankungen}})+\Pr({\text{Hyperkalzämie WHOIFPI durch keine Krankheit}})\\=&0.00125+0.0002 +0,0005+0,0014=0,00335\end{ausgerichtet}}}$

Anschließend kann die Wahrscheinlichkeit, dass eine Hyperkalzämie durch einen primären Hyperparathyreoidismus (PH) verursacht wird, beim Individuum wie folgt berechnet werden:

${\displaystyle {\begin{aligned}&\Pr({\text{Hyperkalzämie wird durch PH in einzelnen Personen verursacht}})\\=&{\frac {\Pr({\text{Hyperkalzämie WHOIFPI durch PH}})} {\Pr({\text{Hyperkalzämie WHOIFPI}})}}\\=&{\frac {0,00125}{0,00335}}=0,373=37,3\%\end{ausgerichtet}}}$

In ähnlicher Weise kann die Wahrscheinlichkeit, dass eine Hyperkalzämie durch Krebs beim Individuum verursacht wird, wie folgt berechnet werden:

${\displaystyle {\begin{ausgerichtet}&\Pr({\text{Hyperkalzämie wird durch Krebs bei Einzelpersonen verursacht}})\\=&{\frac {\Pr({\text{Hyperkalzämie WHOIFPI durch Krebs}})} {\Pr({\text{Hyperkalzämie WHOIFPI}})}}\\=&{\frac {0,0002}{0,00335}}=0,060=6,0\%,\end{ausgerichtet}}}$

und für andere Kandidatenbedingungen:

${\displaystyle {\begin{ausgerichtet}&\Pr({\text{Hyperkalzämie wird durch andere Erkrankungen bei einer Person verursacht}})\\=&{\frac {\Pr({\text{Hyperkalzämie WHOIFPI durch andere Erkrankungen}} )}{\Pr({\text{Hyperkalzämie WHOIFPI}})}}\\=&{\frac {0,0005}{0,00335}}=0,149=14,9\%,\end{ausgerichtet}}}$

und die Wahrscheinlichkeit, dass tatsächlich keine Krankheit vorliegt:

${\displaystyle {\begin{aligned}&\Pr({\text{Hyperkalzämie ist vorhanden, obwohl keine Krankheit bei einer Person vorliegt}})\\=&{\frac {\Pr({\text{Hyperkalzämie WHOIFPI durch keine Krankheit}} )}{\Pr({\text{Hyperkalzämie WHOIFPI}})}}\\=&{\frac {0,0014}{0,00335}}=0,418=41,8\%\end{ausgerichtet}}}$

Zur Verdeutlichung sind diese Berechnungen als Tabelle in der Methodenbeschreibung aufgeführt:

	PH	Krebs	Andere Bedingungen	Keine Krankheit
P(Bedingung in der Bevölkerung)	0,000125	0,002	-	0,997
RR x	10	1	-	-
P(Bedingung WHOIFPI)	0,00125	0,002	-	-
r Zustand →Hyperkalzämie	1	0,1	-	0,0014
P(Hyperkalzämie WHOIFPI nach Bedingung)	0,00125	0,0002	0,0005	0,0014
P(Hyperkalzämie WHOIFPI) = 0,00335
P (Hyperkalzämie wird durch den Zustand des Individuums verursacht)	37,3%	6,0 %	14,9%	41,8%

Daher schätzt diese Methode, dass die Wahrscheinlichkeit, dass die Hyperkalzämie durch primären Hyperparathyreoidismus, Krebs, andere Erkrankungen oder überhaupt keine Krankheit verursacht wird, 37,3%, 6,0%, 14,9% bzw. 41,8% beträgt, was zur Schätzung weiterer Tests verwendet werden kann Hinweise.

Dieser Fall wird im Beispiel des im nächsten Abschnitt beschriebenen Verfahrens fortgesetzt.

Likelihood Ratio-basierte Methode

Die differenzialdiagnostische Vorgehensweise kann bei vollständiger Berücksichtigung zusätzlicher Untersuchungen und Behandlungen äußerst komplex werden. Eine Methode, die in gewisser Weise ein Kompromiss zwischen klinischer Perfektion und relativ einfacher Berechnung ist, ist eine Methode, die Wahrscheinlichkeitsverhältnisse verwendet , um nachfolgende Wahrscheinlichkeiten nach dem Test abzuleiten.

Theorie

Die anfänglichen Wahrscheinlichkeiten für jede Kandidatenbedingung können durch verschiedene Methoden geschätzt werden, wie zum Beispiel:

• Nach Epidemiologie wie im vorherigen Abschnitt beschrieben.
• Durch klinikspezifische Mustererkennung , wie zum Beispiel statistisches Wissen, dass Patienten, die mit einer bestimmten Beschwerde in eine bestimmte Klinik kommen, statistisch eine bestimmte Wahrscheinlichkeit für jeden Kandidatenzustand haben.

Eine Methode zum Schätzen von Wahrscheinlichkeiten auch nach weiteren Tests verwendet Wahrscheinlichkeitsverhältnisse (die aus Sensitivitäten und Spezifitäten abgeleitet werden ) als Multiplikationsfaktor nach jedem Test oder Verfahren. In einer idealen Welt würden Sensitivitäten und Spezifitäten für alle Tests für alle möglichen pathologischen Zustände festgelegt. In Wirklichkeit können diese Parameter jedoch nur für eine der Kandidatenbedingungen festgelegt werden. Die Multiplikation mit Likelihood-Quotienten erfordert die Umrechnung von Wahrscheinlichkeiten von Wahrscheinlichkeiten in Quoten zu Gunsten (im Folgenden einfach als „Odds“ bezeichnet) durch:

${\displaystyle {\text{Quoten}}={\frac {\text{Wahrscheinlichkeit}}{1-{\text{Wahrscheinlichkeit}}}}}$

Jedoch benötigen nur die Kandidatenbedingungen mit bekanntem Likelihood-Verhältnis diese Umwandlung. Nach der Multiplikation wird die Rückumrechnung in die Wahrscheinlichkeit berechnet durch:

${\displaystyle {\text{Wahrscheinlichkeit}}={\frac {\text{Quoten}}{{\text{Quoten}}+1}}}$

Der Rest der Kandidatenbedingungen (für die es keinen festgelegten Likelihood-Quotienten für den vorliegenden Test gibt) können der Einfachheit halber angepasst werden, indem nachfolgend alle Kandidatenbedingungen mit einem gemeinsamen Faktor multipliziert werden, um wieder eine Summe von 100% zu erhalten.

Die resultierenden Wahrscheinlichkeiten werden verwendet, um die Indikationen für weitere medizinische Untersuchungen , Behandlungen oder andere Maßnahmen abzuschätzen. Wenn ein Hinweis auf einen zusätzlichen Test vorliegt und dieser mit einem Ergebnis zurückkehrt, wird das Verfahren unter Verwendung des Likelihood-Quotienten des zusätzlichen Tests wiederholt. Mit aktualisierten Wahrscheinlichkeiten für jede der in Frage kommenden Bedingungen ändern sich auch die Indikationen für weitere Tests, Behandlungen oder andere Aktionen, und so kann das Verfahren bis zu einem Endpunkt wiederholt werden, an dem es keine Indikation mehr für die gegenwärtige Durchführung weiterer Aktionen gibt. Ein solcher Endpunkt tritt hauptsächlich auf, wenn eine Kandidatenbedingung so sicher ist, dass kein Test gefunden werden kann, der stark genug ist, um das relative Wahrscheinlichkeitsprofil ausreichend zu ändern, um eine Änderung in weiteren Aktionen zu motivieren. Eine Taktik zum Erreichen eines solchen Endpunkts mit so wenigen Tests wie möglich umfasst die Durchführung von Tests mit hoher Spezifität für Bedingungen mit bereits außergewöhnlich hoher relativer Wahrscheinlichkeit, da das hohe Wahrscheinlichkeitsverhältnis, das für solche Tests positiv ist, sehr hoch ist und alle weniger wahrscheinlichen Bedingungen auf relativ niedrigere Wahrscheinlichkeiten. Alternativ haben Tests mit hoher Sensitivität für konkurrierende Kandidatenbedingungen ein hohes Wahrscheinlichkeitsverhältnis negativ , wodurch die Wahrscheinlichkeiten für konkurrierende Kandidatenbedingungen möglicherweise auf ein vernachlässigbares Niveau gebracht werden. Wenn solche vernachlässigbaren Wahrscheinlichkeiten erreicht werden, kann der Kliniker diese Zustände ausschließen und das differenzialdiagnostische Verfahren nur mit den verbleibenden Kandidatenzuständen fortsetzen.

Beispiel

Dieses Beispiel wird für denselben Patienten wie im Beispiel für das epidemiologiebasierte Verfahren fortgesetzt. Wie beim vorherigen Beispiel einer epidemiologiebasierten Methode soll dieser Fallbeispiel die Anwendung dieser Methode demonstrieren, stellt jedoch keine Richtlinie für den Umgang mit ähnlichen Fällen aus der Praxis dar. Außerdem verwendet das Beispiel relativ spezifizierte Zahlen, während es in Wirklichkeit oft nur grobe Schätzungen gibt. In diesem Beispiel wurden die Wahrscheinlichkeiten für jeden Kandidatenzustand durch eine auf Epidemiologie basierende Methode wie folgt ermittelt:

	PH	Krebs	Andere Bedingungen	Keine Krankheit
Wahrscheinlichkeit	37,3%	6,0 %	14,9%	41,8%

Diese Prozentsätze könnten auch durch Erfahrung in der jeweiligen Klinik festgestellt worden sein, da man wusste, dass dies die Prozentsätze für die endgültige Diagnose von Personen sind, die sich mit Hyperkalzämie in der Klinik vorstellen und eine Familienanamnese von primärem Hyperparathyreoidismus haben.

Der Zustand mit der höchsten profilrelativen Wahrscheinlichkeit (außer "keine Krankheit") ist der primäre Hyperparathyreoidismus (PH), aber Krebs ist immer noch von großer Bedeutung, denn wenn es die eigentliche ursächliche Erkrankung für die Hyperkalzämie ist, dann ist die Wahl, ob behandelt oder bedeutet wahrscheinlich nicht Leben oder Tod für den Patienten, was die Indikation für weitere Tests für beide Erkrankungen möglicherweise auf ein ähnliches Niveau bringt.

Nehmen wir an, der Kliniker hält die profilrelativen Wahrscheinlichkeiten für besorgniserregend genug, um den Patienten zu einem Arztbesuch anzurufen, mit einem zusätzlichen Besuch im medizinischen Labor für einen zusätzlichen Bluttest, ergänzt durch weitere Analysen, einschließlich Nebenschilddrüsen Hormon bei Verdacht auf primären Hyperparathyreoidismus.

Nehmen wir der Einfachheit halber an, dass der Arzt zuerst das Bluttestergebnis (in Formeln abgekürzt als "BT") für die Parathormon-Analyse erhält und dass es einen Parathormonspiegel zeigt, der im Vergleich zum erwarteten Kalziumspiegel erhöht ist.

Eine solche Konstellation kann auf eine Sensitivität von ca. 70 % und eine Spezifität von ca. 90 % für den primären Hyperparathyreoidismus geschätzt werden . Dies verleiht eine positive Likelihood Ratio von 7 für primären Hyperparathyreoidismus.

Die Wahrscheinlichkeit eines primären Hyperparathyreoidismus wird nun als Prä-BT _{PH bezeichnet,} weil sie der Blutuntersuchung vor dem Blut entspricht (lateinisch Präposition prae bedeutet vorher). Es wurde auf 37,3% geschätzt, was einer Quote von 0,595 entspricht. Bei einer positiven Likelihood Ratio von 7 für den Bluttest wird die Wahrscheinlichkeit nach dem Test wie folgt berechnet:

${\displaystyle \operatorname {Odds} ({\text{PostBT}}_{PH})=\operatorname {Odds} ({\text{PreBT}}_{PH})\cdot LH(BT)=0.595\cdot 7=4.16,}$

wo:

• Odds (PostBT _PH ) ist die Wahrscheinlichkeit für primären Hyperparathyreoidismus nach dem Bluttest auf Parathormon
• Quoten (PreBT _PH ist die Quote für einen primären Hyperparathyreoidismus vor dem Bluttest auf Parathormon
• LH(BT) ist das Likelihood Ratio positiv für den Bluttest auf Parathormon

Eine Odds(PostBT _PH ) von 4,16 wird wiederum in die entsprechende Wahrscheinlichkeit umgewandelt durch:

${\displaystyle \Pr({\text{PostBT}}_{PH})={\frac {\operatorname {Odds} ({\text{PostBT}}_{PH})}{\operatorname {Odds} ({ \text{PostBT}}_{PH})+1}}={\frac {4.16}{4.16+1}}=0.806=80.6\%}$

Die Summe der Wahrscheinlichkeiten für die restlichen Kandidatenbedingungen sollte daher sein:

${\displaystyle \Pr({\text{PostBT}}_{Rest})=100\%-80.6\%=19.4\%}$

Vor dem Bluttest auf Parathormon war die Summe ihrer Wahrscheinlichkeiten:

${\displaystyle \Pr({\text{PreBT}}_{\text{rest}})=6,0\%+14,9\%+41,8\%=62,7\%}$

Um einer Summe von 100 % für alle Kandidatenbedingungen zu entsprechen, muss daher jeder der anderen Kandidaten mit einem Korrekturfaktor multipliziert werden:

${\displaystyle {\text{Korrekturfaktor}}={\frac {\Pr({\text{PostBT}}_{\text{Rest}})}{\Pr({\text{PreBT}}_{\ Text{Rest}})}}={\frac {19.4}{62.7}}=0.309}$

Die Krebswahrscheinlichkeit nach dem Test wird beispielsweise wie folgt berechnet:

${\displaystyle \Pr({\text{PostBT}}_{\text{Krebs}})=\Pr({\text{PreBT}}_{\text{Krebs}})\cdot {\text{Korrekturfaktor }}=6,0\%\cdot 0,309=1,9\%}$

Die Wahrscheinlichkeiten für jeden Kandidatenzustand vor und nach dem Bluttest sind in der folgenden Tabelle angegeben:

	PH	Krebs	Andere Bedingungen	Keine Krankheit
P(PreBT)	37,3%	6,0 %	14,9%	41,8%
P(PostBT)	80,6%	1,9%	4,6%	12,9 %

Diese „neuen“ Prozentsätze, einschließlich einer profilrelativen Wahrscheinlichkeit von 80 % für primären Hyperparathyreoidismus, liegen allen Indikationen für weitere Tests, Behandlungen oder andere Maßnahmen zugrunde. Nehmen wir in diesem Fall an, dass der Arzt den Plan für den Patienten fortsetzt, einen Arztbesuch für eine weitere Untersuchung zu besuchen , die sich insbesondere auf den primären Hyperparathyreoidismus konzentriert.

Ein Arztbesuch kann theoretisch als eine Reihe von Tests angesehen werden, die sowohl Fragen in einer Anamnese als auch Bestandteile einer körperlichen Untersuchung umfassen , wobei die Nachtestwahrscheinlichkeit eines vorherigen Tests als Prä- Test verwendet werden kann. Testwahrscheinlichkeit des nächsten. Die Indikationen zur Auswahl des nächsten Tests werden dynamisch von den Ergebnissen vorheriger Tests beeinflusst.

Nehmen wir an, der Patient in diesem Beispiel weist zumindest einige der Symptome und Anzeichen von Depression, Knochenschmerzen, Gelenkschmerzen oder Verstopfung stärker auf, als von der Hyperkalzämie selbst erwartet würde, was den Verdacht auf einen primären Hyperparathyreoidismus stützt. und nehmen wir an, dass die Wahrscheinlichkeitsverhältnisse für die Tests, wenn sie miteinander multipliziert werden, ungefähr ein Produkt von 6 für den primären Hyperparathyreoidismus ergeben.

Das Vorhandensein von unspezifischen pathologischen Symptomen und Anzeichen in der Anamnese und Untersuchung ist oft gleichzeitig ein Hinweis auf Krebs, und sagen wir, dass die Tests eine Gesamtwahrscheinlichkeitsrate von 1,5 für Krebs ergeben haben. Bei anderen Erkrankungen sowie bei dem Fall, dass überhaupt keine Krankheit vorliegt, ist nicht bekannt, wie sie von den vorliegenden Tests beeinflusst werden, wie es in der Realität oft der Fall ist. Daraus ergeben sich folgende Ergebnisse für die Anamnese und körperliche Untersuchung (abgekürzt als P&E):

	PH	Krebs	Andere Bedingungen	Keine Krankheit
P(PreH&E)	80,6%	1,9%	4,6%	12,9 %
Quoten (PreH&E)	4.15	0,019	0,048	0,148
Wahrscheinlichkeitsquote nach H&E	6	1,5	-	-
Quoten (PostH&E)	24.9	0,0285	-	-
P(PostH&E)	96,1%	2,8%	-	-
Summe bekannter P(PostH&E)	98,9 %
Summe Rest P(PostH&E)	1,1%
Summe Rest P(PreH&E)	4,6% + 12,9% = 17,5%
Korrekturfaktor	1,1% / 17,5% = 0,063
Nach der Korrektur	-	-	0,3%	0,8%
P(PostH&E)	96,1%	2,8%	0,3%	0,8%

Diese Wahrscheinlichkeiten nach der Anamnese und Untersuchung können den Arzt zuversichtlich genug machen, den Patienten für eine Operation für eine Parathyreoidektomie zu planen, um das betroffene Gewebe zu resezieren.

An dieser Stelle ist die Wahrscheinlichkeit für "andere Zustände" so gering, dass dem Arzt kein Test für sie einfällt, der einen Unterschied machen könnte, der substanziell genug wäre, um eine Indikation für einen solchen Test zu bilden , und der Arzt betrachtet damit praktisch " andere Bedingungen" ausgeschlossen, hier nicht primär durch einen spezifischen Test auf solche anderen negativen Bedingungen, sondern durch das bisher Ausbleiben positiver Tests.

Bei "Krebs" ist die Grenze, ab der man ihn sicher als ausgeschlossen betrachten kann, wegen schwerwiegender Folgen des Übersehens möglicherweise strenger, so dass der Arzt zumindest eine histopathologische Untersuchung des resezierten Gewebes für angezeigt halten kann.

Dieser Fall wird am Beispiel der Kombinationen im entsprechenden Abschnitt weiter unten fortgesetzt .

Abdeckung der Kandidatenbedingungen

Die Validität sowohl der anfänglichen Schätzung der Wahrscheinlichkeiten durch die Epidemiologie als auch der weiteren Aufarbeitung durch Likelihood-Quotienten hängt von der Einbeziehung von Kandidatenerkrankungen ab, die für einen möglichst großen Teil der Wahrscheinlichkeit der Erkrankung verantwortlich sind, und es ist klinisch wichtig, diejenigen, bei denen eine relativ schnelle Einleitung der Therapie am wahrscheinlichsten zum größten Nutzen führt. Wenn ein wichtiger Kandidatenzustand übersehen wird, wird keine Methode der Differentialdiagnose die richtige Schlussfolgerung liefern. Die Notwendigkeit, mehr Kandidatenbedingungen für die Aufnahme zu finden, nimmt mit der zunehmenden Schwere der Präsentation selbst zu. Wenn beispielsweise die einzige Präsentation ein abweichender Laborparameter ist und alle üblichen schädlichen Grunderkrankungen ausgeschlossen wurden, kann es akzeptabel sein, keine weiteren Kandidatenerkrankungen zu finden, aber dies wäre viel wahrscheinlicher inakzeptabel, wenn die Präsentation schwerwiegend gewesen wäre Schmerzen.

Kombinationen

Wenn zwei Bedingungen hohe Post-Test-Wahrscheinlichkeiten erhalten, insbesondere wenn die Summe der Wahrscheinlichkeiten für Bedingungen mit bekannten Likelihood-Quotienten höher als 100 % wird, dann ist die tatsächliche Bedingung eine Kombination aus beiden. In solchen Fällen kann diese kombinierte Bedingung zur Liste der Kandidatenbedingungen hinzugefügt werden, und die Berechnungen sollten von vorne beginnen.

Um das oben verwendete Beispiel fortzusetzen, nehmen wir an, dass die Anamnese und die körperliche Untersuchung ebenfalls auf Krebs hinweisen, mit einem Wahrscheinlichkeitsverhältnis von 3, was eine Odds(PostH&E) von 0,057 ergibt, was einem P(PostH&E) von 5,4% entspricht. Dieses entspräche eine „Summe von bekannten P (POSTH & E)“ von 101,5%. Dies ist ein Hinweis für eine Kombination von primärem Hyperparathyreoidismus und Krebs bedenkt, wie in diesem Fall, ein Parathyroidhormon produzierenden Nebenschilddrüsenkarzinom . Eine Neuberechnung kann daher erforderlich, wobei die ersten beiden Zustände in "primärer Hyperparathyreoidismus ohne Krebs", "Krebs ohne primären Hyperparathyreoidismus" sowie "kombinierter primärer Hyperparathyreoidismus und Krebs" unterteilt werden und die Wahrscheinlichkeitsverhältnisse für jede Erkrankung separat angewendet werden. es wurde jedoch bereits Gewebe reseziert, wobei eine histopathologische Untersuchung durchgeführt werden kann, die die Möglichkeit eines Nebenschilddrüsenkarzinoms in die Untersuchung mit einbezieht (was eine entsprechende Probenfärbung nach sich ziehen kann ). Sagen wir, die histopathologische Untersuchung bestätigt einen primären Hyperparathyreoidismus, zeigte aber auch ein malignes Muster Nach einer ersten epidemiologischen Methode wird die Inzidenz des Nebenschilddrüsenkarzinoms auf a . geschätzt ungefähr 1 von 6 Millionen Menschen pro Jahr, was eine sehr geringe Wahrscheinlichkeit ergibt, bevor Tests in Betracht gezogen werden. Im Vergleich dazu wird die Wahrscheinlichkeit, dass ein nichtmaligner primärer Hyperparathyreoidismus gleichzeitig mit einem nicht verwandten Nichtkarzinomkarzinom aufgetreten wäre, das sich mit malignen Zellen in der Nebenschilddrüse präsentiert, durch Multiplikation der beiden Wahrscheinlichkeiten berechnet. Die resultierende Wahrscheinlichkeit ist jedoch viel kleiner als 1 zu 6 Millionen. Daher kann die Wahrscheinlichkeit eines Nebenschilddrüsenkarzinoms nach histopathologischer Untersuchung trotz der geringen Wahrscheinlichkeit, überhaupt erst auftritt, immer noch nahe 100% zu liegen.

Maschinendifferenzialdiagnose

Maschinelle Differentialdiagnose ist die Verwendung von Computersoftware , um eine Differentialdiagnose teilweise oder vollständig zu erstellen. Es kann als eine Anwendung künstlicher Intelligenz betrachtet werden .

Viele Studien belegen die Verbesserung der Versorgungsqualität und die Reduzierung von medizinischen Fehlern durch den Einsatz solcher Entscheidungsunterstützungssysteme. Einige dieser Systeme sind für ein bestimmtes medizinisches Problem wie Schizophrenie, Lyme-Borreliose oder beatmungsassoziierte Lungenentzündung konzipiert. Andere wie ESAGIL, Iliad, QMR, DiagnosisPro, VisualDx , docLogica , Isabel, ZeroMD, DxMate, Symptoma und Physician Cognition wurden entwickelt, um alle wichtigen klinischen und diagnostischen Befunde abzudecken, um Ärzte bei einer schnelleren und genaueren Diagnose zu unterstützen.

Alle diese Tools erfordern jedoch immer noch fortgeschrittene medizinische Fähigkeiten, um Symptome zu bewerten und zusätzliche Tests auszuwählen, um die Wahrscheinlichkeiten verschiedener Diagnosen abzuleiten. Auch die maschinelle Differenzialdiagnostik ist derzeit nicht in der Lage, mehrere Begleiterkrankungen zu diagnostizieren. Daher sollten Laien immer noch einen Arzt aufsuchen, um eine ordnungsgemäße Diagnose zu stellen.

Geschichte

Die Methode der Differentialdiagnose wurde erstmals von Emil Kraepelin für die Diagnostik psychischer Störungen vorgeschlagen . Sie ist systematischer als die altmodische Methode der Gestaltdiagnose (Eindruck).

Alternative medizinische Bedeutungen

„Differentialdiagnose“ wird auch lockerer verwendet, um sich einfach auf eine Liste der häufigsten Ursachen eines bestimmten Symptoms, auf eine Liste von Störungen, die einer bestimmten Störung ähnlich sind, oder auf solche Listen zu beziehen, wenn sie mit Hinweisen zur Vorgehensweise versehen sind schränken Sie die Liste ein ( Französischer Index der Differentialdiagnose ist ein Beispiel). Eine Differentialdiagnose in diesem Sinne ist also eine medizinische Information, die speziell zur Diagnosehilfe organisiert ist.

Verwendung außerhalb der Medizin

Methoden, die denen der Differentialdiagnostik in der Medizin ähneln, werden auch von biologischen Taxonomen verwendet , um lebende und ausgestorbene Organismen zu identifizieren und zu klassifizieren. Zum Beispiel kann nach dem Auffinden einer unbekannten Art zunächst eine Auflistung aller potentiellen Arten erfolgen, gefolgt von einem Ausschließen einer nach der anderen, bis im Optimalfall nur noch eine potentielle Wahl übrig bleibt. Ähnliche Verfahren können von Anlagen- und Wartungsingenieuren und Kraftfahrzeugmechanikern verwendet werden und werden verwendet, um fehlerhafte elektronische Schaltungen zu diagnostizieren.

In Kunst

Das amerikanische medizinische Fernsehdrama House mit Hugh Laurie als Hauptdarsteller Dr. Gregory House , der ein Team von Diagnostikern am fiktiven Princeton-Plainsboro Teaching Hospital in New Jersey leitet, dreht sich um den Einsatz differenzialdiagnostischer Verfahren, um die richtige Diagnose zu stellen .

Während der gesamten Serie haben die Ärzte Krankheiten wie Lupus , Mastozytose , Plummer-Krankheit , Tollwut , Kawasaki-Syndrom , Pocken , Rickettsialpocken und Dutzende anderer diagnostiziert .

Siehe auch

• Komorbidität
• Ausschlussdiagnose
• Doppeldiagnose
• Gender-Bias in der medizinischen Diagnostik
• Liste der medizinischen Symptome

Verweise