Wissen wir wirklich alles?

Home

Scientific project

Social project

Our story

Scientific community

Book index

Our network

Frisardi Masticationpedia Network

Fontana Masticationpedia Network

Ed. Lab

Donate

Contact

Change language

[[|German]]

[[|Spanish]]

[[|French]]

[[|Italian]]

Wissen wir wirklich alles?

Wir nähern uns dem Abschluss des ersten Abschnitts von Masticationpedia, der im Wesentlichen die Aufgabe hatte, den Status quo der Diagnostik im Bereich der Orofazialen Schmerzen und der temporomandibulären Störungen darzustellen. Wir haben auch die ersten Hindernisse vorgestellt, die sich einer korrekten, detaillierten und schnellen Diagnose entgegenstellen, aber möglicherweise entgeht dem Forscher und Kliniker ein wenig, dass es auch Probleme und Einschränkungen außerhalb des klinischen Kontextes gibt, wenn man beispielsweise an den Reihenfolgeneffekt der dem Arzt präsentierten Informationen zur Diagnosestellung denkt. Sobald wir dieses kognitive Phänomen kennen, wie können wir es statistisch darstellen? Leider eignet sich die klassische Statistik mit dem berühmten und überbewerteten Bayes-Theorem nicht, da die Variablen nicht kompatibel sind. Aus diesem Grund haben wir, bevor wir zur Vorstellung der letzten beiden Patienten übergehen, einige zugrunde liegende Anomalien hervorgehoben.

 

 

Einführung

Während der vorherigen Kapitel von Masticationpedia wollten wir die diagnostische Komplexität im Bereich der Orofazialen Schmerzen und der temporomandibulären Störungen (TMDs) hervorheben, die manchmal viel ernsthaftere neurologische und/oder systemische Pathologien mit einem diagnostischen Verlauf von Jahrzehnten verbergen. Einer der auffälligsten Daten, die aus der Forschungsliteratur hervorgehen, ist die hohe Prävalenz von TMD (30%-50%) weltweit in Kombination mit ihrer Variabilität zwischen klinischen Studien (3-20%).

Wir fragen uns zunächst: Warum gibt es so viele Variationen in der Prävalenz von TMDs in der Bevölkerung zwischen den verschiedenen Studien, die in verschiedenen Teilen der Welt durchgeführt wurden? Ist es vielleicht ein Fehler im Design von Studien, statistischen Prozessen oder im Wissen? Wie dem auch sei, all dies hat die internationale wissenschaftliche Gemeinschaft veranlasst, nach neuen Paradigmen zu suchen, um den diagnostischen und therapeutischen Schaden durch ein Modell namens "Research Diagnostic Criteria" und mit den Initialen "RDC" einzudämmen. Jenseits der konzeptionellen Genauigkeit der RDC, die ausschließlich zur Unterscheidung zwischen Gesunden und TMD-Patienten entwickelt wurde, ein Thema, das im nächsten Abschnitt von Masticationpedia ausführlich behandelt wird, fanden wir uns in der Situation, Diagnosen schwerwiegender Pathologien bei Patienten zu stellen, die zuvor als TMDs diagnostiziert worden waren.

Das bedeutet, dass jenseits des RDC die diagnostische Komplexität bei Fällen, in denen eine Störung des Kauapparats vorliegt (Klicken und Knacken des Kiefergelenks, Bruxismus, Zähneknirschen, Zahnfehlstellung usw.) zusammen mit schmerzhaften orofazialen Symptomen, das Problem nicht mehr mit einer klassischen Statistik wie der von Bayes dargestellt werden kann, die im Wesentlichen die positiven Vorhersagewerte des RDC generiert.

So sehr, dass es notwendig war, ein 'Konsortiumsnetzwerk' zu organisieren, das in verschiedenen Studientreffen repliziert wurde, welche im Wesentlichen zu folgendem Schluss von R. Ohrbach und S.F. Dworkin gelangen.

Ein letzter Punkt ist, dass unser Verständnis spezifischer Kiefergelenkserkrankungen hinter dem von Schmerzstörungen zurückbleibt. Die kollektive Implikation dieser Themen besteht darin, dass die weitere Forschung und Entwicklung von einem programmatischen Ansatz profitieren wird, der die hier beschriebenen vielfältigen Richtungen sowie unzählige andere Richtungen umfasst, die außerhalb des aktuellen Konsortiumsrahmens existieren.

Das Ziel von Masticationpedia ist und bleibt im Laufe der Zeit genau die von Ohrbach und S.F. geäußerte Bitte. Dworkin, nämlich:

«........weitere Forschung und Entwicklung werden von einem programmatischen Ansatz profitieren, der die hier beschriebenen vielfältigen Richtungen sowie unzählige andere, die außerhalb des aktuellen Konsortiumsrahmens existieren, einbezieht»
(Schauen wir uns einige relevante Passagen an)

Prävalenz von CMDs

Die Prävalenz der Symptome einer Kiefergelenksstörung (TMD) variiert erheblich zwischen den Bevölkerungsgruppen.

Eine kürzlich durchgeführte systematische Überprüfung ergab, dass in der Allgemeinbevölkerung die Prävalenz von mindestens einem klinischen Anzeichen einer CMD zwischen 5 und 60 % schwankt. Schmerzen im Kiefergelenksbereich sind jedoch ein häufiges klinisches Symptom und treten bei etwa 10 % der erwachsenen Bevölkerung auf. Primäre Kopfschmerzen (Migräne und Spannungskopfschmerz [TTH]) betreffen jedoch weltweit mehr als 2,5 Milliarden Menschen. In einer kürzlich durchgeführten weltweiten Studie wurden Kopfschmerzen nach Rückenschmerzen als zweithäufigste Ursache für arbeitsunfähige Jahre eingestuft. Weltweit wurde die Zahl der Menschen, die im Jahr 2017 an Migräne und TTH litten, auf 1,3 bzw. 2,3 Milliarden geschätzt, mit einer Prävalenz von 15 % bzw. 16 %.

Diese Daten deuten bereits auf eine gewisse Unsicherheit in den Zahlen hin, eine Unsicherheit, die, wie wir später sehen werden, in Bayes'schen Vorhersagbarkeitsmodellen eine dramatische Bedingung darstellt.

Darüber hinaus basierten die meisten früheren Studien zum Zusammenhang zwischen TMD-bedingten Schmerzen und Kopfschmerzen auf „Frequencyist“-Statistiken, Modellen, die im Vergleich zum Bayes’schen Ansatz einige Einschränkungen aufweisen, insbesondere die Abhängigkeit von großen Stichproben, sodass die Effektgrößen ermittelt werden sind genau festgelegt.

Laut Javed Ashraf et al. im Gegensatz zur „Frequencyist“-Methodik liefert die Bayes’sche Statistik keinen (festen) Ergebniswert, sondern ein Intervall, das den Regressionskoeffizienten enthält. Diese als Konfidenzintervalle (CI) bezeichneten Intervalle weisen der besten Schätzung und allen möglichen Werten der Parameterschätzungen eine Wahrscheinlichkeit zu.

In der Studie von Javed Ashraf et al. die Autoren versuchten mithilfe der Bayes'schen Methodik, die Existenz eines Zusammenhangs zwischen TMD-bedingten Schmerzen und schweren Kopfschmerzen (Migräne und TTH) über einen Nachbeobachtungszeitraum von 11 Jahren zu überprüfen. An der in den Jahren 2000 und 2001 durchgeführten „Gesundheit 2000“-Umfrage nahmen 9.922 eingeladene Teilnehmer im Alter von 18 Jahren und älter teil, die auf dem finnischen Festland lebten. Der in der vorliegenden Studie festgestellte prospektive Zusammenhang zwischen mTMD zu Studienbeginn und dem Vorhandensein von TTH bei der Nachuntersuchung steht im Einklang mit früheren epidemiologischen, klinischen und physiologischen Erkenntnissen. Frühere epidemiologische Studien haben einen Zusammenhang zwischen TMD-bedingten Schmerzen und TTH gezeigt. Klinisch weisen TMD-bedingte Schmerzen und TTH eine Kombination unterschiedlicher Anzeichen und Symptome im Kopf- und Gesichtsbereich auf, die insbesondere bei mTMD und TTH deutlich werden. Zu diesen gemeinsamen klinischen Merkmalen gehört die Palpationsempfindlichkeit der Kaumuskulatur bei mTMD und der perikranialen Muskulatur bei TTH während der aktiven Phasen beider Erkrankungen. Zu weiteren klinischen Überschneidungen zwischen mTMD und TTH gehören das Alter der Probanden hinsichtlich der Spitzenprävalenz, die Schmerzintensität, die Pharmakotherapie und sogar die nicht-pharmakologische Behandlung. Trotz einiger klinischer Ähnlichkeiten und Überschneidungen handelt es sich sowohl bei mTMD als auch bei TTH um unterschiedliche Krankheitsentitäten, und Javed Ashraf kommt elegant zu dem Schluss:

«Obwohl die Kombination von Ähnlichkeiten möglicherweise eine enge interdisziplinäre Zusammenarbeit zwischen Fachgebieten (Zahnmedizin vs. Neurologie) erfordert, sollte bei der Behandlung auch auf die Unterscheidung zwischen diesen beiden pathologischen Entitäten geachtet werden.»
(„Interdisziplinarität“ bedeutet „Kontext“)

Kontexte

In den vorherigen Kapiteln von Masticationpedia haben wir bei der Beschreibung der diagnostischen Komplexität einen entscheidenden Faktor berücksichtigt: die Kontexte. Wir haben gesehen, wie sich eine symptomatische oder asymptomatische kranke Person vor dem Arzt präsentiert, der, indem er ihre Geschichte hört, versucht, den Verlauf des "Zustands" des Organismus zu rekonstruieren, um eine bestimmte Diagnose zu stellen. Gleichzeitig haben wir jedoch auch die enorme Kluft im klinisch-wissenschaftlichen Wissen zwischen einem Kontext, dem zahnmedizinischen, und einem neurologischen betrachtet. Diese Kontexte gelangen unter Verwendung einer formalen Logik zur Überzeugung von ihrer diagnostischen Vernunft. Die Annahme ist, dass die Aussagen, die dazu beitragen, diese Gewissheit aufzubauen, zwischen den Kontexten sehr unterschiedlich sind. Aus diesem Grund haben wir im Kapitel 'Fuzzy-Sprachlogik' eine Menge ${\tilde {A}}$ und eine Zugehörigkeitsfunktion $\mu _{\displaystyle {\tilde {A}}}(x)$ betrachtet.

Wir wählen - als Formalismus - aus, ein Fuzzy-Set mit der 'Tilde' ${\tilde {A}}$ zu repräsentieren. Ein Fuzzy-Set ist eine Menge, in der die Elemente einen 'Grad' der Zugehörigkeit haben (im Einklang mit der Fuzzy-Logik), einige können zu 100% in die Menge aufgenommen werden, andere zu niedrigeren Prozentsätzen. Dieser Grad der Zugehörigkeit wird mathematisch durch die Funktion namens 'Zugehörigkeitsfunktion' $\mu _{\displaystyle {\tilde {A}}}(x)$ dargestellt.

Lassen Sie uns annehmen, dass $\mu _{\displaystyle {\tilde {A}}}(x)$ einen Kontext repräsentiert und dass es eine kontinuierliche Funktion ist, die im Bereich $[0;1]$definiert ist, wobei:

• $\mu _{\tilde {A}}(x)=1\rightarrow$ wenn es vollständig in $A$ enthalten ist (diese Punkte werden "Nukleus" genannt und zeigen die plausiblen Werte des Prädikats an).
• $\mu _{\tilde {A}}(x)=0\rightarrow$ wenn 𝑥 nicht in $A$ enthalten ist.
• $0<\mu _{\tilde {A}}(x)<1\;\rightarrow$wenn 𝑥 teilweise in $A$ enthalten ist (diese Punkte werden "Trägermenge" genannt und zeigen die möglichen Werte des Prädikats an).

Das Trägermenge eines unscharfen Satzes wird als der Bereich definiert, in dem der Zugehörigkeitsgrad $0<\mu _{\tilde {A}}(x)<1$ liegt; der Kern oder die Kernmenge hingegen wird als der Bereich definiert, in dem der Zugehörigkeitsgrad den Wert $\mu _{\tilde {A}}(x)=1$annimmt. Die 'Trägermenge' repräsentiert die Werte des Prädikats, die als möglich betrachtet werden, während der 'Kern' diejenigen repräsentiert, die als am plausibelsten betrachtet werden.

Wenn ${A}$ eine Menge im gewöhnlichen Sinne des Begriffs oder in der zuvor beschriebenen Logik der klassischen Sprache darstellt, ist es. Die Zugehörigkeitsfunktion könnte nur die Werte $1$ oder $0$ (Abbildung 1, ${A}$) $\mu _{\displaystyle {A}}(x)=1\;\lor \;\mu _{\displaystyle {A}}(x)=0$ annehmen, je nachdem, ob Element $0$ wie betrachtet zum Ganzen gehört oder nicht.

Figure 1: Representation of the comparison between a classical and fuzzy ensemble.

Stellen wir uns nun vor, dass es im Universum der Wissenschaft $U$ zwei parallele Welten oder Kontexte ${A}$ und ${\tilde {A}}$ gibt, in denen sich unsere Patientin Mary Poppins zufällig befindet (siehe Kapitel).

Let's imagine, now, that in the Universe of Science $U$ there exist two parallel worlds or contexts ${A}$ and ${\tilde {A}}$ in which our patient Mary Poppins happens to find herself (see chapter).

${A}=$ Eine Welt oder ein wissenschaftlicher Kontext, der sogenannte „wohl definierte“, der Logik der klassischen Sprache, in dem der Arzt über ein absolutes wissenschaftliches Grundwissen verfügt Anruf $KB$(Knowledge Basic-Wettbewerb). In diesem Universum sind wir mit einer einzigen Welt oder einem einzigen Kontext konfrontiert $KB_{c}$(denken wir an die zahnmedizinische), und die Antworten können nur $\mu _{\displaystyle {A}}(x)=1\;\lor \;\mu _{\displaystyle {A}}(x)=0$und daher TMDs oder noTMDs sein.

${\tilde {A}}=$ In der anderen Welt oder dem wissenschaftlichen Kontext namens „Fuzzy Logic“ werden wir durch eine Welt oder einen Kontext der Vereinigung der Teilmengen repräsentiert ${A}$ In ${\tilde {A}}$ so dass man sagen kann, dass die Welten teilweise verschmelzen und folglich auch die Kontexte miteinander verbunden sind, um einer Einheit Leben einzuhauchen $KB_{c}$ der einheitlichen Kontexte.

Wir werden folgende Abzüge beachten:

• Klassische Logik im zahnmedizinischen Kontext ${A}$ in dem nur ein logischer Prozess das ergibt $\mu _{\displaystyle {A}}(x)=1$ als Ergebnis wird möglich sein, d.h. $\mu _{\displaystyle {A}}(x)=0$ Der Datenbereich beträgt $D=\{\delta _{1},\dots ,\delta _{4}\}$ auf Grundwissen reduziert $KB$ (zahnmedizinischer/klinischer Kontext) als Ganzes ${A}$. Dies bedeutet, dass es außerhalb der zahnmedizinischen Welt oder des zahnmedizinischen Kontexts eine Lücke gibt und dass die Begriffsmengenlehre genau geschrieben ist$\mu _{\displaystyle {A}}(x)=0$ und dass es gleichbedeutend mit „diagnostischem Risiko“ ist.
• In fuzzy logic, within the world ${\tilde {A}}$ where not only the fundamental knowledge $KB$ of the dental context is considered, but also those partially obtained from the neurophysiological world, the membership function is determined by the summation of the two contexts ${A}$ and ${\tilde {A}}$. In this scenario, the membership function will always fall within the range $0<\mu _{\tilde {A}}(x)<1$, but the output data will correspond to the sum of the two contexts, thereby reducing the diagnostic risk.

«Dann sind wir bereits einen Schritt weiter. Wir haben verstanden, dass über das RDC-Modell hinaus Kontexte für die Diagnose entscheidend sind.»
(...ja, sicherlich ein kleiner Fortschritt, wenn es nicht ein weiteres wenig beachtetes Hindernis gäbe, nämlich die "Informationsordnung" der Kontexte.)

Informationsreihenfolge

Die Reihenfolge der Informationen spielt eine entscheidende Rolle im Prozess der Aktualisierung von Überzeugungen im Laufe der Zeit. Tatsächlich macht das Vorhandensein von Reihenfolgeeffekten einen klassischen oder bayesianischen Ansatz zur Inferenz schwierig.

Angenommen, wir sind daran interessiert, die Wahrscheinlichkeit einer Hypothese $H$ zu bewerten, gegeben zwei Informationsstücke $A$ und $B$. Da die klassische Wahrscheinlichkeit dem kommutativen Eigenschaft gehorcht, haben wir das folgende Modell:

Stellen Sie sich eine kognitive diagnostische Entscheidung vor, die ein Arzt trifft, wenn er einen Patienten mit Orofazialschmerzen besucht, der erst nach einer Anamnese und einer ausführlichen klinischen Funktionsanalyse des Kauapparats, bei der okklusale Diskrepanzen auftreten $A$, mit elektrophysiologischen Laborergebnissen konfrontiert wird, die eine Asymmetrie der Trigeminusreaktionen zeigen $B$. Aus diesen Daten formuliert er eine erste Hypothese $H$ von DTMs. Die Vorhersagbarkeit, dass diese Hypothese wahr ist, hat eine Wahrscheinlichkeit, die sich aus dem Satz von Bayes wie folgt ergibt:

Die Wahrscheinlichkeit der Hypothese 𝐻, dass ein Patient an TMDs leidet, wenn ein erstes Ereignis 𝐴 (okklusale Diskrepanzen) und ein zweites Ereignis 𝐵 (Asymmetrie der Trigeminusreaktionen) zusammen auftreten, wird durch folgende Formel gegeben:

Die Wahrscheinlichkeit der Hypothese $H$, dass ein Patient bei einem ersten Ereignis von CMDs betroffen ist $A$(okklusale Diskrepanzen) und ein zweites Ereignis $B$ (Asymmetrie der trigeminalen Reaktionen) nebeneinander bestehen, ist gegeben durch:

$P(H|B\cap A)=p(H|B)\cdot \left({\frac {p(A|H\cap B)}{p(A|B)}}\right)=P(H|A\cap B)=p(H|A)\cdot \left({\frac {p(B|H\cap A)}{p(B|A)}}\right)$

Das bedeutet, dass sich für Bayes die Wahrscheinlichkeit, an einer bestimmten Krankheit zu erkranken (Positiver Vorhersagewert), nicht ändert, wenn die Reihenfolge der Darstellung der Informationen umgekehrt wird, da bei Bayes die Variablen $A$ und $B$ pendeln, weil sie kompatibel sind. Wie bereits erwähnt, ändert sich das Ergebnis nicht, wenn wir die Reihenfolge der Präsentation der Informationen ändern, während auf der Ebene der kognitiven Entscheidungsfindung die Dinge nicht ganz so sind. Eine Änderung der Darstellungsreihenfolge der Informationen kann die Hypothese völlig verändern und zu einer Diagnose einer Neuropathie statt einer CMD führen.

«Wie kann das Problem also gelöst werden?»
(......mit dem üblichen hamletischen Zweifel: Wer sagt, dass die Asymmetrie der trigeminalen Reaktionen mit einer CMD vereinbar ist?)

In der Quantentheorie können Ereignisse als kompatibel oder inkompatibel definiert werden. Wenn alle Ereignisse kompatibel sind, ist die Quantenwahrscheinlichkeit identisch mit der klassischen Wahrscheinlichkeit. Die Entscheidung, wann zwei Ereignisse als kompatibel oder inkompatibel behandelt werden sollten, ist eine wichtige Forschungsfrage. In einem sehr interessanten Artikel stellten Jennifer S. Trueblood und Jerome R. Busemeyer das Phänomen des Informationsordnungseffekts dar, indem sie zu dem Schluss kamen, dass kognitive Modelle, die auf den Prinzipien der Quantenwahrscheinlichkeit basieren, das Potenzial haben, paradoxe Phänomene zu erklären, die in der kognitiven Wissenschaft auftreten. Zuvor wurden Quantenmodelle verwendet, um Verstöße gegen rationale Prinzipien der Entscheidungsfindung, Paradoxien konzeptioneller Kombinationen, menschlicher Urteile und Wahrnehmungen zu erklären, und das Quanteninferenzmodell kann jedoch perfekt zu den Aufgabendaten der medizinischen Entscheidungsfindung passen, wie Bergus et al . (1998).

«Sind wir immer noch sicher, dass wir alles wissen?»
(...mal sehen, was mit unseren letzten beiden Patienten passiert)

Bibliography & references