GANZHEITLICH LEBEN BEGLEITEN
Die medizinische Forschung und Gesundheitsversorgung stehen durch die zunehmende Digitalisierung vor einem grundsätzlichen Umbruch. Grundlegende Fortschritte in der Sensorik und Bildgebung im klinischen Alltag sowie privaten Umfeld liefern neue Daten. Die transsektorale Vernetzung von Versorgungsdaten verknüpft die episodischen Datensätze zu heterogenen Datensätzen, welche mittelfristig die gesamte Lebensspanne umfassen. Neue Datenanalyse-Technologien für große Datenmengen ermöglichen neuartige Ansätze für das Verständnis und die Therapie von Erkrankungen. Dabei handelt es sich nicht um den einfachen Einsatz von Technologien, sondern um grundlegende Veränderungen der Gesundheitsversorgung, die sich in einer individuelleren Versorgung, neue telemedizinische Angebote und neue Marktteilnehmer darstellen.
Zentrale Aspekte sind der Einsatz neuer digitaler Methoden in Versorgung und Pflege, eine evidenz- und datenbasierte Medizin, die Gestaltung gesundheitsfördernder Lebenswelten, smarte Implantate und neuartige (Bio-)Sensorik, eine personalisierte Medizin sowie umfassende Versorgungsforschung entlang der gesamten Versorgungskette. Besonders bedeutend sind die Schwerpunkte translationale Medizin, Versorgung in der Fläche, individuelle Prävention im Sinne einer gesunden Lebensplanung. Es bedarf auch einer Weiterentwicklung von Ausbildung und Lehre zur notwendigen Kompetenzvermittlung.
Wissenschaftler*innen
Jannik Fleßner (Jade Hochschule - Wilhelmshaven Oldenburg Elsfleth)
Jannik Fleßner ist wissenschaftlicher Mitarbeiter an der Jade Hochschule Wilhelmshaven, Oldenburg, Elsfleth in der Abteilung Technik und Gesundheit für Menschen. Seine Forschungsschwerpunkte sind: Mensch-Maschine Interaktion, Expertensysteme, Smart Home, Künstliche Intelli...
MEHR ZUR PERSONDr. -Ing. Sandra Hellmers (Carl von Ossietzky Universität Oldenburg)
Dr.-Ing. Sandra Hellmers ist wissenschaftliche Mitarbeiterin in der Abteilung Assistenzsysteme und Medizintechnik an der Carl von Ossietzky Universität Oldenburg. Ihre Forschungsschwerpunkte sind die Bewegungserfassung und -analyse mit optischen, tragbaren sowie ambienten ...
MEHR ZUR PERSONJens Hüsers (Hochschule Osnabrück)
Jens Hüsers ist wissenschaftlicher Mitarbeiter in der Forschungsgruppe Informatik im Gesundheitswesen an der Hochschule Osnabrück. Er befasst sich mit der IT-gestützten Versorgung von chronischen Wunden. Dazu zählen auf KI basierte Entscheidungsunterstütztungssysteme. Zude...
MEHR ZUR PERSONMatthias Katzensteiner (Hochschule Hannover)
Matthias Katzensteiner ist wissenschaftlicher Mitarbeiter in der Hochschule Hannover an der Fakultät III für Information und Kommunikation. Seine Forschungsschwerpunkte sind: Datenmodellierung, Datenintegration, Didaktik und Online-Lehre. ...
MEHR ZUR PERSONJendrik Richter (Universitätsmedizin Göttingen)
Jendrik Richter ist wissenschaftliche Mitarbeiter am Institut für Medizinische Informatik an der Universitätsmedizin Göttingen (UMG). Seine Forschungsschwerpunkte sind: Interoperabilität im Gesundheitswesen, Datenaustauschstandards und Datentransformation (ETL), Klinische ...
MEHR ZUR PERSONDaniel Thole (Universitätsmedizin Göttingen)
Daniel Thole ist wissenschaftlicher Mitarbeiter am Institut für Medizinische Informatik der Universitätsmedizin Göttingen. Er ist als Koordinator des Zukunftslabors Gesundheit tätig. Sein Forschungsschwerpunkt ist die Nachhaltigkeit von Projekten im Gesundheitswesen.
Stefan Vogel (Universitätsmedizin Göttingen)
Stefan Vogel ist wissenschaftlicher Mitarbeiter am Institut für Medizinische Informatik in Göttingen Universitätsmedizin Göttingen Seine Forschungsschwerpunkte sind: Klinische Entscheidungsunterstützungssysteme und Künstliche Intelligenz im Gesundheitswesen nsowie Software...
MEHR ZUR PERSONGeförderte Einrichtungen
Berichte
Workshop Zukunftslabor Gesundheit: Datenspende im Gesundheitswesen
Wissenschaftler*innen des Zukunftslabors Gesundheit nahmen an der Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (GMDS) e. V. teil. Eine Kombination aus Impulsvorträgen und Diskussionen lieferte wichtige Erkenntnisse für die weitere Forschung. MEHR
Erfolgreicher Messeauftritt des Zukunftslabors Gesundheit
Gesundheitsforschung trifft Wirtschaft: Die Wissenschaftler*innen des Zukunftslabors Gesundheit stellten auf der diesjährigen DMEA ihre Forschung vor. Besucher*innen konnten spannende Exponate ausprobieren und sich über Themen wie Sensorik und Datennutzung in der Gesundheitsversorgung informieren. MEHR
Sensoren für eine datenbasierte Gesundheitsprävention getestet
Im Rahmen des Gesundheitsmonitorings erfassten die Wissenschaftler*innen Daten von Wirbelsäulensensoren und testeten EKG-T-Shirts. Zudem entwickelten sie eine Struktur zur Verarbeitung der Sensordaten. Darüber hinaus arbeiten sie an einer Risikokommunikation, die präventiv auf schädliche Umweltfaktoren hinweist. MEHR
Videos und Podcasts
Digitales Gesundheitswesen: Datenaustausch und Sensorik
Lernendes Gesundheitswesen – Das Potenzial medizinischer Daten.
Diagnose übers Smartphone – Wie sich Ärzt*innen von ihren Patient*innen entfernen.
Wissenschaftliche Veröffentlichungen
Methoden zur Zeitreihenharmonisierung in der sekundärdatenbasierten medizinischen Forschung
Die Nierentransplantation (NTx) ist die häufigste Organtransplantation in Deutschland. Ein Risiko nach einer NTx besteht in der Abstoßung des transplantierten Organs. Im Screen-Reject-Projekt wird an ...
Die Nierentransplantation (NTx) ist die häufigste Organtransplantation in Deutschland. Ein Risiko nach einer NTx besteht in der Abstoßung des transplantierten Organs. Im Screen-Reject-Projekt wird an der Hochschule Hannover basierend auf einem Klinischen Data Warehouse (KDWH) ein Expert:innensystem entwickelt, welches unter Einbezug maschineller Vorhersagemodelle auf Basis in der klinischen Routine erfasster Befunddaten bei der Abstoßungsdiagnostik unterstützen soll. Die Befunddaten der Kohorte sind in zeitlicher Hinsicht i.d.R. nicht vergleichbar, da sie anlassbezogen und nicht einem Studienprotokoll folgend erhoben wurden. So variieren z.B. die zeitlichen Abstände zwischen den Erhebungszeitpunkten oder Laborwertverläufe enthalten fehlende Werte. Ziel ist die Sicherstellung zeitlicher Vergleichbarkeit durch eine geeignete, in Python implementierte Datenvorverarbeitungsroutine. Ausgangslage sind im KDWH gespeicherte ca. 900.000 Datensätze von 141 Patient:innen. Datenquellen sind das Enterprise Clinical Research Data Warehouse und klinische Primärsysteme der Medizinischen Hochschule Hannover (MHH). Die betrachteten Zeitreihenddaten sind intervallskalierte Messwerte wie z.B. Laborwerte, die in ggf. wechselnden Zeitabständen aufgezeichnet wurden, sowie Ereignisaufzeichnungen (z.B. NTx, Biopsie oder Abstoßung). Im konkreten Projekt soll eine Harmonisierung der Laborwertverläufe durch intervallweise Berechnung repräsentativer Laborwerte erreicht werden. Die Laborwerte aller Patient:innen werden in gleichgroße künstliche Zeitintervalle unterteilt, wobei das Zeitfenster einen definierbaren, relativ betrachteten Zeitraum vor einer Biopsie umfasst. Pro Intervall wird aus den enthaltenen Laborwerten ein repräsentativer Mittelwert berechnet. Außerdem werden lineare und polynomiale Regressionen durchgeführt, um die Laborwertverlaufssteigung zu ermitteln. Zur Evaluation wird ein Random-Forest-Modell mit einem Datensatz mit harmonisierten Laborwertverläufen sowie einem Vergleichsdatensatz, der den zeitlichen Aspekt nicht berücksichtigt, trainiert. Die Güte der Vorhersagen über das Vorliegen einer Abstoßung wird verglichen. In der Evaluation werden mit dem Datensatz mit harmonisierten Laborwertverläufen eine höhere Sensitivität (95,8%) sowie Spezifität (72,7%) als mit dem Vergleichsdatensatz (95,2% bzw. 64,3%) erreicht. Vorhersagen einer Nierentransplantatabstoßung mittels des hier verwendeten Random-Forest-Modells sind bei Verwendung der Forschungsdaten des Screen-Reject-Projekts präziser, wenn der zeitliche Aspekt von Laborwertverläufen berücksichtigt wird.
Autor*innen
- Darian Liehr (Hochschule Hannover)
- Matthias Katzensteiner (Hochschule Hannover)
- Prof. Dr.-Ing. Oliver J. Bott (Hochschule Hannover)
Veröffentlichung
- KI-Forum 2024: AI 4 Students – AI in Research – AI Showroom
- 17.09.2024
Diese Veröffentlichung entstand aufbauend auf der ZDIN Förderung.
WenigerDatenvorverarbeitung als zentrales Element der Entwicklung von Prognosemodellen in der Nierenabstoßungsdiagnostik
Für die erfolgreiche und qualitativ hochwertige Entwicklung von auf maschinellen Lernverfahren beruhenden KI-Anwendungen ist eine zielgerichtete Datenvorverarbeitung (engl. Preprocessing) notwendig. D...
Für die erfolgreiche und qualitativ hochwertige Entwicklung von auf maschinellen Lernverfahren beruhenden KI-Anwendungen ist eine zielgerichtete Datenvorverarbeitung (engl. Preprocessing) notwendig. Diese Arbeit untersucht die Relevanz und Methoden des Preprocessing zur Nutzung von Routinedaten und insbesondere Verlaufsdaten der Patientenversorgung für maschinelle Lernverfahren in der Medizin. Neben allgemeinen Methoden zur Datenaufbereitung wie semantischen Interoperabilitätsstandards wurden eine kontextsensitive Ereignis-Annotation, eine Zeitreihenharmonisierung von insbesondere Laborwertverläufen sowie ein klinisches Datawarehouse (CDWH) aggregierter und harmonisierter Daten von 147 Patient:innen realisiert. Die Analyse dieser Daten unter Anwendung der Zeitreihenharmonisierung zeigte, dass die Berücksichtigung der zeitlichen Dynamik ausgewählter Laborwerte die Vorhersagegenauigkeit für Nierenabstoßungen signifikant verbesserte. Diese Arbeit unterstreicht die Bedeutung kontextsensitiver Datenvorverarbeitung für die effektive Implementierung von Machine-Learning-Algorithmen in der medizinischen Forschung.
Autor*innen
- Matthias Katzensteiner (Hochschule Hannover)
- Darian Liehr (Hochschule Hannover)
- Prof. Dr.-Ing. Oliver J. Bott (Hochschule Hannover)
Veröffentlichung
- KI-Forum 2024: AI 4 Students – AI in Research – AI Showroom
- 17.09.2024
Diese Veröffentlichung entstand aufbauend auf der ZDIN Förderung.
WenigerApproaching Heterogenous Target Groups in E-Learning: Evaluation of a Healthcare IT Course
Effective knowledge transfer, not only to healthcare professionals and patients, but also to the general public respectively citizens, is essential for the successful digitalization of the healthcare ...
Effective knowledge transfer, not only to healthcare professionals and patients, but also to the general public respectively citizens, is essential for the successful digitalization of the healthcare system. To address this, we developed and evaluated e-learning courses for the general public. Our approach involved tailored didactic methods and a 5-phase model for course structure. The courses covered topics such as sensor technology, data management and interoperability. The initial evaluation results indicated positive outcomes in terms of participant engagement and satisfaction. However, recruiting participants beyond students posed a challenge. To broaden recruitment channels, we plan implementing strategies such as improving our web presence and outreach efforts. Based on our findings, we propose continuous refinement of course content, promotion of group interaction, and collaboration with multipliers to improve recruitment. These insights contribute to enhancing digital health literacy among diverse stakeholders.
Autor*innen
- Jendrik Richter (Universitätsmedizin Göttingen)
- Matthias Katzensteiner (Hochschule Hannover)
- Nicole Ergbert (Netzwerk Versorgungskontinuität in der Region Osnabrück e.V.)
- Stefan Rühlicke (Georg-August-Universität Göttingen)
- Lena Elgert (Medizinische Hochschule Hannover)
- Prof. Dr. Dagmar Krefting (Universitätsmedizin Göttingen)
- Prof. Dr. rer. nat. Ursula Hertha Hübner (Hochschule Osnabrück)
- Prof. Dr.-Ing. Oliver J. Bott (Hochschule Hannover)
Veröffentlichung
- 2024 IEEE 3rd German Education Conference (GECon)
- 05.08.2024
- Link zur Veröffentlichung
Diese Veröffentlichung entstand im Rahmen der ZDIN Förderung durch das Ministerium für Wissenschaft und Kultur.
WenigerWissenschaftliche Vorträge
Einführung zum Interoperabilitäts-Standard „openEHR“ am Beispiel eines Plattform-Prototypen für medizinische Daten
Jendrik Richter (Universitätsmedizin Göttingen)
Veranstaltung: 17. DVMD-Fachtagung - »Garbage In, Garbage Out? – Nicht mit uns«
Datum: 08.05.2024
Erkenntnisse eines partizipativen Ansatzes zur Integration des Umweltmonitorings in Versorgungseinrichtungen
Jannik Fleßner (Jade Hochschule - Wilhelmshaven Oldenburg Elsfleth)
Veranstaltung: Gesundheit – gemeinsam. Kooperationstagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (GMDS), Deutschen Gesellschaft für Sozialmedizin und Prävention (DGSMP), Deutschen Gesellschaft für Epidemiologie (DGEpi), Deutschen Gesellschaft für Medizinische Soziologie (DGMS) und der Deutschen Gesellschaft für Public Health (DGPH). Dresden, 08.-13.09.2024
Datum: 12.09.2024
Digitalisierung im Gesundheitswesen erleben und mitgestalten
Matthias Katzensteiner (Hochschule Hannover)
Veranstaltung: DVMD Fachtagung 2024 - Hannover
Datum: 08.05.2024
Technologiedemonstratoren
Weiterbildungsangebote
Dein Bett als Lebensretter!
Patientennahe Sensorsysteme in der Pflege
MEHR
Im privaten Umfeld - wie das Bett - können Sensoren verbaut werden, die lebenswichtige Signale aufzeichnen. Warum ist das hilfreich? Diese Daten können ausgewertet werden, um den Gesundheitszustand einer Person zu erfassen. Welche Biosignale noch wichtig sind, welche Sensortechnik es gibt und wie die Daten ausgewertet werden können, ist Inhalt dieses Kurses.
Blut spenden - kein Thema. Aber Daten?
Das lernende Gesundheitswesen: So lernt es
MEHR
Ein Pieks für den guten Zweck: Blutspenden können anderen Menschen das Leben retten. Wie sieht’s mit den Gesundheitsdaten aus? Wer würde sie hergeben, um das Gesundheitswesen zu verbessern? Dieser Kurs informiert über die unterschiedlichen Arten medizinischer Daten und wie diese für eine bessere Krankenversorgung und eine innovative Forschung genutzt werden können.
Das Lernende Gesundheitssystem in Aktion
Klinische Datenmodellierung
MEHR
Ein Lernendes Gesundheitssystem lernt von jedem Patienten und jeder Patientin. Dazu werden die erhobenen Daten genutzt, um beispielsweise Wissen in Form von statistischen Modellen zu erzeugen. In diesem Kurs wird anschaulich gezeigt, wie diese Modelle mit Gesundheitsdaten im Sinne eines Lernenden Gesundheitssystems erstellt werden.
Gamechanger Assistierende Gesundheitstechnologien
Intelligente Technologien für eine bessere Gesundheit
MEHR
Schrittzähler und Pulsmesser sind längst keine Besonderheit mehr. Digitale Technologien bieten noch viel mehr Möglichkeiten des Gesundheits-Monitorings. Wie sehen diese aus, welche Daten werden erhoben und welche Herausforderungen gibt es dabei? Dieser Kurs gibt Einblicke in assistierende Technologien – die Wegbereiter für eine optimierte medizinische Behandlung.