Angewandte KI im Gesundheitswesen (AAI)
Im Team für 'Angewandten KI im Gesundheitswesen' arbeiten wir daran, Computeralgorithmen des maschinellen Lernens und Modelle des „Deep Learnings“ in die klinische Anwendung zu bringen. Unter dem Begriff der künstlichen Intelligenz subsumieren wir alle Verfahren, die auf externeBetrachter:innen menschenartig wirken.
Bei der Teildisziplin des Maschinellen Lernen handelt es sich konkret um einen Ansatz zur Datenanalyse, der den Aufbau und die Anpassung von Modellen beinhaltet, die es Programmen ermöglichen, durch Erfahrung zu "lernen". Klinische Projekte, die von dieses Methoden profitieren sollen, begleiten wir von der frühen Konzeptionsphase über Beratung bei Aufnahme und Bereinigung der Daten bis hin zur Modellentwicklung und kritischen Evaluation. Hierbei können als Grundlage sowohl medizinischen Routinediagnostik als auch Studiendaten Verwendung finden. Ein besonderer Fokus liegt dabei auf klassischen Tabulardaten sowie komplexen Zeitserien, beispielsweise in Form von Sensordaten oder elektronischen Patientenakten.
Bei uns in der Angewandten KI im Gesundheitswesen werden die generierten -Algorithmen und Modelle bereits als Vorläufer KI-basierter Medizingeräte betrachtet. Der Fokus liegt somit stets auf der Nähe zu Nutzer:innen in der Klinik und berücksichtigt besonders die Erklärbarkeit der verwendeten Modelle und ihrer Ergebnisse (Explainable AI).
Das IAM-AI Team ist Mitglied im bAIome .
Publikationen
Unlocking the Potential of Secondary Data for Public Health Research: Retrospective Study With a Novel Clinical Platform
Gundler C, Gottfried K, Wiederhold A, Ataian M, Wurlitzer M, Gewehr J, Ückert F
INTERACT J MED RES. 2024;13:e51563.
Continuous, Learned Imputation of Missing Values in Parkinson's Disease
Gundler C, Pötter-Nerger M
Stud Health Technol Inform. 2024;316:654-658.
Improving Eye-Tracking Data Quality: A Framework for Reproducible Evaluation of Detection Algorithms
Gundler C, Temmen M, Gulberti A, Pötter-Nerger M, Ückert F
SENSORS-BASEL. 2024;24(9):2688.
Digitalizing Handwritten Digits of Patients with Parkinson's Disease Utilizing Consumer Hardware and Open-Source Software
Gundler C, Wiederhold A, Pötter-Nerger M
Stud Health Technol Inform. 2024;317:289-297.
Learning debiased graph representations from the OMOP common data model for synthetic data generation
Schulz N, Carus J, Wiederhold A, Johanns O, Peters F, Rath N, Rausch K, Holleczek , Katalinic A, Gundler C
BMC MED RES METHODOL. 2024;24(1):136.
An LLM-Based Visualization and Analysis Aid for a Secondary Use Clinical Data Platform
Spiegel S, Wendt T, Gundler C, Ückert F, Riemann L
Stud Health Technol Inform. 2024;316:1617-1621.
Mapping the Oncological Basis Dataset to the Standardized Vocabularies of a Common Data Model: A Feasibility Study
Carus J, Trübe L, Szczepanski P, Nürnberg S, Hees H, Bartels S, Nennecke A, Ückert F, Gundler C
CANCERS. 2023;15(16):.
Semi-Automated Mapping of German Study Data Concepts to an English Common Data Model
Chechulina A, Carus J, Breitfeld P, Gundler C, Hees H, Twerenbold R, Blankenberg S, Ückert F, Nürnberg S
APPL SCI-BASEL. 2023;13(14):8159.
A Unified Data Architecture for Assessing Motor Symptoms in Parkinson's Disease
Gundler C, Zhu Q, Trübe L, Dadkhah A, Gutowski T, Rosch M, Langebrake C, Nürnberg S, Baehr M, Ückert F
Stud Health Technol Inform. 2023;307:22-30.
Understanding Human-Computer Interactions in Restricted Clinical Environments
Kraus K, Trübe L, Gundler C
Stud Health Technol Inform. 2023;307:126-134.
Patient-individual 3D-printing of drugs within a machine-learning-assisted closed-loop medication management – Design and first results of a feasibility study
Langebrake C, Gottfried K, Dadkhah A, Eggert J, Gutowski T, Rosch M, Schönbeck N, Gundler C, Nürnberg S, Ückert F, Baehr M
Clinical eHealth. 2023;6:3-9.
Development of an immediate release excipient composition for 3D printing via direct powder extrusion in a hospital
Rosch M, Gutowski T, Baehr M, Eggert J, Gottfried K, Gundler C, Nürnberg S, Langebrake C, Dadkhah A
INT J PHARMACEUT. 2023;643:.
Introduction of MONOCLE – a software to reduce the workload and optimize the processes of the molecular tumor board at the University Hospital Hamburg-Eppendorf
Schmitz A, Lauk K, Heß K, Voß H, Fulla O, Schönbeck N, Ückert F, Gundler C, Riemann L
Ger Med Sci. 2023.
Letzte Aktualisierung aus dem FIS: 16.12.2024 - 23:32 Uhr
Laufende Projekte
-
Eine Schirmmütze zur Erkennung der Hypomimie
Eine Schirmmütze zur Erkennung der Hypomimie
Morbus Parkinson (PD) ist eine unheilbare neurodegenerative Erkrankung, die durch den Verlust von Dopamin produzierenden Zellen in der Substantia Nigra gekennzeichnet ist. Die resultierende Symptomatik kann die Lebensqualität der Betroffenen erheblich beeinträchtigen. Während heutige Wearables bereits in der Lage sind, motorische Symptome wie Tremor zu identifizieren, bleiben weitgehend unerforschte Symptome wie Hypomimie, eine verminderte Mimik, schwer erfassbar. Derzeit verfügbare Methoden wie stationäre Videoaufnahmen ermöglichen keine kontinuierliche Überwachung im Alltag, die jedoch notwendig ist, um den Fortschritt der Krankheit zu verstehen und Anpassungen in der Therapie vorzunehmen.
Unser Team hat in Zusammenarbeit mit der AG Bewegungsstörungen und THS von PD Dr. med. Monika Pötter-Nerger ein innovatives Messinstrument entwickelt und als Prototyp umgesetzt, das feine Muskelbewegungen im Gesicht präzise überwachen und drahtlos an eine iOS-Anwendung übertragen kann.
Für die klinische Betreuung und die daraus resultierenden ersten explorativen Analysen dieses Projekts suchen wir aktuell engagierte medizinische Doktorand:innen. Interessierte können sich gerne per E-Mail bei uns melden. Für weitere Informationen stehen Christopher Gundler und Alexander Wiederhold als Ansprechpartner zur Verfügung. -
-
Vernetzte Systeme bei Morbus Parkinson
Vernetzte Systeme bei Morbus Parkinson
Um die Lebensqualität von Patient:innen mit Parkinson zu verbessern, werden oft stationäre Untersuchungen und Behandlungen durchgeführt. Während des Aufenthalts im Krankenhaus erfolgen in erster Linie Anpassungen des aktuellen Therapieplans. Eine präzise und personalisierte Behandlung ist dabei entscheidend für den Therapieerfolg.
Mithilfe einer speziellen Tablet-Anwendung haben die Patient:innen die Möglichkeit, selbständig relevante Parameter ihres aktuellen Wohlbefindens sowie weitere nicht-motorische Symptome zu protokollieren. Ähnlich wie in einem digitalen Tagebuch werden dabei viele krankheitsrelevante Daten erfasst. Ergänzt wird dies durch den Einsatz von Sensoren, die über lokal vernetzte Systeme mit dem Tablet kommunizieren und so zeitabhängige relevante Vitalparameter tracken können.
Durch den Einsatz dieser vernetzten Systeme erhoffen wir uns neue Erkenntnisse über die Symptomschwere der Parkinson-Krankheit. In einem früheren Projekt haben wir bereits vergleichbare Daten gesammelt sowie erste Bewegungsdaten und medikamentöse Einnahmen ermittelt.