• English
  • Deutsch

Klinische Datenintelligenz

Technologie

Forschungsdatenbank: Eine wichtige Basis für Datenintelligenz / Big Data Lösungen im Gesundheitswesen ist eine Forschungsdatenbank zur Speicherung und Verwaltung patientenspezifischer Daten (sowohl aus dem klinischen Prozess als auch aus molekularbiologischen und genetischen Analysen). Die Lösung im Projekt basiert auf dem Open Source-System i2b2, welches ursprünglich in amerikanischen translationalen Forschungsprojekten entwickelt wurde, aber auch in deutschen Forschungsnetzen eingesetzt wird. Neue Lösungen wie transMART werden evaluiert und in das Projekt integriert.

Data Analytics: Unser Data Analytics besteht aus Erweiterungen der im Core Technology Cluster von THESEUS entstandenen Ansätze zum Maschinellen Lernen in Semantischen Netzen. Sie stellen den State-of-the-Art dar und basieren auf der Mathematik der Matrix- und Tensorfaktorisierung. Die Ansätze haben sich gerade für die hochdimensionalen spärlichen (sparsen) Daten in klinischen Daten bewährt. Diesen Grundstock der Analyse und Lernmodelle erweitern wir, um die Sicherheit/Unsicherheit von Informationsquellen geeignet zu repräsentieren und zu verarbeiten. Des Weiteren wird das Modell erweitert, um Texte und Textannotationen zu berücksichtigen. Ebenfalls werden ontologische Hintergrundinformationen verstärkt Berücksichtigung finden. Ein wesentlicher neuer Aspekt ist auch die Modellierung zeitlicher Informationen und eine Modellierung der sequentiellen Prozesse in der Klinik. Bei sehr großen Mengen an Patienten und an patientenspezifischen Daten könnten die wachsenden Trainingszeiten skalierbare verteilt arbeitende Software benötigen, weshalb wir Implementierungen unseres Ansatzes im Hadoop Framework untersuchen werden.

Integrierte Entscheidungsunterstützung: Datenzusammenführung und Analysen sind grundsätzlich nur von Bedeutung, wenn sie klinische Entscheidungen beeinflussen. Wir sehen es als einen wesentlichen Vorteil eines Big Data Ansatzes, dass die hochdimensionalen gesamten vorhandenen Patienteneigenschaften ausgewertet werden können. Dies hat eine Reihe wichtiger Vorteile: Einmal wird der Patient ganzheitlich betrachtet und alle Patientendaten fließen in die Modellierung ein. Eine Unterstützung des datengetriebenen Ansatzes wird durch weitere Module ermöglicht, die aus anderen Informationsquellen wie medizinischen Leitlinien oder speziellen Expertensystemen generiert werden. Damit kann unser System auch dazu dienen, zu untersuchen, ob die Erfahrungsdaten eine Leitlinie unterstützen und wenn das nicht so ist, entweder die Leitlinie oder die medizinische Praxis zu hinterfragen. Die Akzeptanz von Systemen zur Entscheidungsunterstützung (z.B. Computerized Physician Order Entry, CPOE) hängt extrem von der Qualität und Bedienfreundlichkeit der entsprechenden Interfaces und interaktiven Möglichkeiten der Devices ab. Aus diesem Grund beschäftigen wir uns mit der Darstellung der Informationen und der Benutzerinteraktion und berücksichtigen besonders mobile Endgeräte.

Plattform für medizinische Apps: Wir wollen das Thema Plattform für medizinische Apps analysieren und Konzepte zu deren Umsetzung auszuarbeiten um auch innovative Nutzungs- und Geschäftsmodelle zu unterstützen, wie sie gerade im Bereich Big Data anzutreffen sind. Wir planen eine offene Plugin/App orientierte Architektur, die es ermöglicht, dass Module jederzeit ausgetauscht werden können, und dass neue Module, die von internen Projektpartnern oder externen Gruppen erstellt werden, sich jederzeit modular integrieren lassen. Insbesondere können wir hier der wachsenden Bedeutung der Daten der Molekularbiologie, die heute im klinischen Alltag nur eine begrenzte Rolle spielen, flexibel gerecht werden. Eine besondere Herausforderung stellen die hohen Sicherheitsanforderungen in Bezug auf Datensicherheit und Patientendatenschutz dar.