Klinische Datenintelligenz (KDI)Als Ziel des Projektes soll das Paradigma der „Datenintelligenz“ für klinische Anwendungen nutzbar gemacht werden. Unter „Datenintelligenz“ versteht man hierbei, dass Lösungen direkt anhand eines typischerweise großen Datensatzes entwickelt und validiert werden: Daten spiegeln die Komplexität der Realität mit all ihren Nuancen wieder und entwickelte Lösungen finden durch den unmittelbaren Validierungsnachweis klinische Akzeptanz.In einem Universitätsklinikum der Maximalversorgung und entsprechender Forschung wurden in den letzten 50 Jahren in allen Fachgebieten der Medizin sehr viele unterschiedliche Datenbanken im Rahmen der Digitalisierung aufgebaut. Die Unterschiedlichkeit macht derzeit eine integrierte Visualisierung oder gar Verarbeitung mit zugrunde liegenden gemeinsamen Ontologien oder ordnenden Hierarchien unmöglich.
Projekte mit undefinierten medizinischen Usecases betrachten das klinische Bild eines Patienten, sodass daraus nur selten übergreifende Projektentwicklungen abgeleitet werden können. Um für den medizinischen Alltag aber auch für nachfolgende (Remind-)Projekte oder Verfahren der künstlichen Intelligenz eine Synopse aller möglichen Datenquellen bereitzustellen, sind die systematische Analyse der Datenvielfalt und ein Konzept für die ontologisch geführte Aufarbeitung und Nutzbarmachung der Daten Ziele dieses Projektes. Hierzu müssen Patientendaten ganzheitlich ausgewertet werden, d.h. es müssen alle „Spuren“, die ein Patient in der Klinik hinterlässt, gesammelt und aufbereitet werden. Daher fokussiert KDI weder auf ein spezielles Krankheitsbild noch auf eine besondere Modalität. Diese ganzheitliche Sicht ermöglicht es, auch zunächst unauffällige Abhängigkeiten über Abteilungsgrenzen hinweg zu erkennen und auszuwerten. Weiterhin müssen Patientendaten im großen Volumen zur Verfügung gestellt werden, d.h. die Grundlage muss ein möglichst umfangreiches Datenrepository sein. Das Datenrepository soll die Basis dafür bilden, dass klinische Prozesse über unterschiedliche Kliniken und Zeiträume komparativ analysiert werden können, als auch dass Lösungen zur Entscheidungsunterstützung entwickelt und getestet werden können. Die komparative Analyse ermöglicht es, nach intensiver Diskussion mit medizinisch-klinischen Experten konkrete Vorschläge für eine verbesserte Patientenversorgung auszuarbeiten, Abweichungen von Standard zu erkennen und zu begründen, sowie Trends frühzeitig zu erkennen. Im besten Sinne soll es das Ziel sein, das kollektive Wissen von Kliniken auszuwerten, welches sich in den täglichen den Patienten betreffenden Entscheidungen widerspiegelt (Collective Intelligence).
| Beteiligte: Jun.-Prof. Dr. Jan Christoph, , ,
Laufzeit: 1.4.2014 - 31.3.2017
Förderer: Bundesministerium für Wirtschaft und Technologie
Mitwirkende Institutionen: Universitätsklinikum Erlangen
Kontakt: Telefon +49 9131 85-26720
| Publikationen |
---|
Sedlmayr, Martin ; Würfl, Tobias ; Maier, Christian ; Häberle, Lothar ; Fasching, Peter Andreas ; Prokosch, Hans-Ulrich ; Christoph, Jan: Optimizing R with SparkR on a commodity cluster for biomedical research. In: Computer methods and programs in biomedical research 137 (2016), Nr. 1, S. 321-328. [doi>10.1016/j.cmpb.2016.10.006] | Griebel, Lena ; Prokosch, Hans-Ulrich ; Köpcke, Felix ; Toddenroth, Dennis ; Christoph, Jan ; Engel, Igor ; Sedlmayr, Martin: A scoping review of cloud computing in healthcare. In: BMC medical informatics and decision making ePub (2015), S. 1-16 [doi>10.1186/s12911-015-0145-7] | Krompaß, Denis ; Esteban, Cristobál ; Tresp, Volker ; Sedlmayr, Martin ; Ganslandt, Thomas: Exploiting latent embeddings of nominal clinical data for predicting hospital readmission. In: KI - Künstliche Intelligenz 29 (2015), Nr. 2, S. 153-159 [doi>10.1007/s13218-014-0344-x] |
|