Forschung

Die Mengen an Daten die Kliniken über ihre Patienten und Daten halten wächst immer weiter an. Neben der Menge ist aber auch die Heterogenität eine Herausforderung. So sind neben medizinischen Daten (etwa Diagnosen, Prozeduren) auch sozio-demographische und organisatorische Daten vorhanden, die wertvolle Informationen enthalten.

Die Daten kommen meist aus verschiedenen Systemen. Das macht es schwer, sie zu kombinieren und gemeinsam zu nutzen. Ein Beispiel für dieses Problem ist die Pflegepersonaluntergrenzen-Verordnung (PpUGV). Patienten- und Pflegepersonalzahlen müssen kombiniert und gemeinsam dokumentiert werden. Ohne computerbasierte Unterstützung entsteht ein großer manueller Aufwand.

Auch Ärzte stehen täglich vor der Aufgabe, aus der großen Anzahl an klinischen Variablen Schlüsse über die Diagnose und Therapie von Patienten zu ziehen. Da klinische Daten sehr komplex sind, werden Methoden zur Entscheidungsunterstützung von Ärzten immer wichtiger.

Auch im Bereich der Forschung mittels klinischer Daten ist es nötig, heterogene Daten zu kombinieren, etwa in der Epidemiologie, wo z.B. Zusammenhänge zwischen diversen Risikofaktoren und Erkrankungen gesucht werden. Hier ist durch die Vielzahl an potentiellen Risikomustern in den Daten ebenfalls notwendig, Computer zur Unterstützung zu nutzen.

Im meinem Promotionsthema beschäftige ich mich damit, neue Ansätze anhand von Datenvisualisierung und Mustererkennung zu erarbeiten, um Wissen aus heterogenen klinischen Daten zu extrahieren. So werden etwa Wege untersucht, um im Pflegemanagement benötigte Dokumentation automatisiert aus den verschiedenen Daten zu kombinieren. Für Ärzte werden neue Visualisierungen entwickelt, die die Struktur von Korrelationen in klinischen Daten sichtbar machen. Im Bereich der Epidemiologie werden innovative Machine Learning-Methoden erarbeitet, um epidemiologisch relevantes Wissen aus klinischen Datensätzen zu extrahieren.

Betreuende Professor*innen

Betreuer Friedrich-Alexander-Universität Erlangen-Nürnberg:

Prof. Dr.-Ing. habil. Andreas Maier

Betreuerin Ostbayerische Technische Hochschule Amberg-Weiden:

Prof. Dr.-Ing. Eva Rothgang

Publikationen

Haas O., Hutzler M., Egginger TH., Maier A. und E. Rothgang (2021):
Automating time-consuming and error-prone manual nursing management documentation processes. CIN: Computers, Informatics, Nursing: October 2021, Volume 39, Issue 10, p. 584-591. https://doi.org/10.1097/cin.0000000000000790.

Haas O., Lopera Gonzalez LI., Hofmann S., Ostgathe C., Maier A., Rothgang E., Amft O. und T. Steigleder (2021):
Predicting anxiety in routine palliative care using Bayesian-inspired association rule mining. Front. Digit. Health 3:724049. https://doi.org/10.3389/fdgth.2021.724049.

Haas O., Maier A. und E. Rothgang (2021):
Machine Learning-Based HIV Risk Estimation Using Incidence Rate Ratios. Front. Reprod. Health 3:756405. https://doi.org/10.3389/frph.2021.756405.

Haas O., Maier A. und E. Rothgang (2021):
Rule-Based Models for Risk Estimation and Analysis of In-hospital Mortality in Emergency and Critical Care. Front. Med. 8:785711. https://www.frontiersin.org/articles/10.3389/fmed.2021.785711/full.

Haas O., Maier A. und E. Rothgang (2021):
Using Associative Classification and Odds Ratios for In-Hospital Mortality Risk Estimation. Workshop on Interpretable ML in Healthcare at International Conference on Machine Learning (ICML).

Poster

Automated learning of general association rules from large heterogeneous clinical records

Stipendium

Das Projekt wird durch das Bayerische Forschungsinstitut für Digitale Transformation (bidt) gefördert.

Präsentation

Haas O., Maier A. und E. Rothgang (2020):
Mining statistically significant odds ratios from large het-erogeneous clinical datasets. GMDS & CEN-IBS 2020, Berlin.

In Deutschland herrscht ein Mangel an qualifiziertem Arzt- und Pflegepersonal und bereits Anfang 2018 waren 40.000 Pflegestellen unbesetzt. Verschärft hat sich diese Situation durch die Pflegepersonaluntergrenzen-Verordnung (PpUGV). Bisher geht man in der Gestaltung der Dienstpläne von einer konstanten Anzahl von Patienten und somit benötigtem Arzt- und Pflegepersonal aus. Schwankungen über den Tag (z.B. Notaufnahme) und das Jahr (z.B. Geburten, Grippewellen) werden kaum berücksichtigt.
Die Entwicklung des Patientenaufkommens in der Notaufnahme (und nachgelagerten Stationen) bestimmten Mustern, die vom Wochentag, der Tageszeit oder auch der Jahreszeit abhängen. Diese Schwankungen führen zu einem stark schwankenden Personalbedarf, v.a. auch in der Pflege. Die Folge ist eine „Überbesetzung“ auf der einen Seite und massive Überstundenaufbau der Pflegekräfte auf der anderen Seite.

Vor dem Hintergrund des Pflegenotstands und des Fachkräftemangels ist es von großer Relevanz das Pflegepersonal optimal einzusetzen, d.h. die Pflegepersonalressourcen zugeschnitten auf den tatsächlichen Bedarf einzusetzen. Derzeit müssen viele Krankenhäuser Betten sperren und Operationen verschieben, weil sie nicht genügend Pflegepersonal finden.
In diversen Studien wurde bereits gezeigt, dass viel Potential zur Verbesserung in der Pflegepersonalbedarfsplanung existiert und sich dies auch in der Pflegequalität widerspiegelt. Ich beschäftige mich mit meinem Promotionsthema damit, die Ansätze zur Realisierung dieses Potentials weiter voranzutreiben. Dies geschieht mit Hilfe von innovativen Methoden des maschinellen Lernens, um die Planungssicherheit generell zu verbessern und individuelle Fragen wie z.B. „Ändert sich mein Pflegepersonalbedarf während der Schulferien?“ oder „Welche Staffelung des Arbeitszeitbeginns ist in Hinblick auf Patientenversorgung/ Personaleinsatz optimal?“ datenbasiert und damit belegbar beantworten zu können.

Während meiner Promotion beschäftige ich mich mit verschiedenen Möglichkeiten zur Workflow Verbesserung bei Magnetresonanztomographie (MRT) Untersuchungen in der Radiologie mit Hilfe von maschinellem Lernen und künstlicher Intelligenz (KI).