Zur Navigation springen Zum Inhalt springen
Oliver Haas

Oliver Haas
wissenschaftlicher Mitarbeiter
Fakultät Wirtschaftsingenieurwesen und Gesundheit

Telefon +49 (961) 382-1627
Mobil +49 (151) 22370665
Fax +49 (961) 382-2627
o.haas@oth-aw.de

  • 2010 bis 2015: Studium der Mathematik an der FAU Erlangen-Nürnberg (B. Sc. und M. Sc.).
  • 2015 bis 2018: Software Engineer im Bereich Data Mining und Business Intelligence bei infoteam.
  • 2018 bis heute: Wissenschaftlicher Mitarbeiter an der OTH-AW und Doktorand an der FAU.

Integration von heterogenen Klinikdaten am Beispiel der PpUGV

Am 1. Januar 2019 trat die Pflegepersonaluntergrenzen-Verordnung (PpUGV) in Kraft. Sie schreibt Kliniken in einigen Bereichen vor, wie viel Pflegepersonal pro Patient nötig ist. Um die Einhaltung zu dokumentieren, müssen Kliniken jedes Quartal einen Bericht über die Anzahl der Patienten und Pflegekräfte einreichen. Die Erstellung dieses Berichts ist zeitaufwendig und fehleranfällig. Automatisierte Methoden können hier ansetzen, um Kosten zu senken und die Berichterstellung robuster zu machen. In Kooperation mit den Kliniken der Nordoberpfalz AG entwickeln und evaluieren wir ein System zur automatisierten Erstellung der erforderlichen Berichte.

Das ist nur ein Beispiel für Anwendungsfälle, in denen Daten aus verschiedenen klinischen Systemen verknüpft werden. Auch wenn verschiedene Daten (z.B. radiologische Bilder, Befunde, Medikamenteninformationen) in verschiedenen Systemen gelagert werden, beschreiben sie doch alle Patienten und ihre Behandlung. Ein Schwerpunkt meiner Forschung ist die Integration solcher heterogenen klinischen Daten.

Epidemiologisches Association Rule Mining

Auch wenn heterogene klinische Daten integriert wurden, sind weitere Ansätze nötig, um brauchbares Wissen aus den Daten zu erhalten. Association Rule Mining (ARM) ist ein beliebter Ansatz aus dem Bereich des Data Minings: In großen Datenmengen werden häufig zusammen auftretende Objekte identifiziert. Bekannt ist dies etwa aus Onlineshops mit der Funktion “Ähnliche Kunden kauften auch…”.

Übersetzt in die Welt von Krankenhäusern geht es darum, ähnliche Patienten anhand verschiedener Aspekte zu identifizieren. Ein großer Anwendungsbereich ist die Epidemiologie. Welche Krankheiten treten oft zusammen auf? Welche Risikofaktoren erhöhen über die Zeit die Wahrscheinlichkeit für das Auftreten von Krankheiten?

Um solchen Fragestellungen nachzugehen, beschäftige ich mich in Kooperation mit der FAU damit, wie die Lücke zwischen Epidemiologie und ARM geschlossen werden kann. Ein Ansatz ist ARM, das auf epidemiologischen Metriken basiert und so epidemiologische Studien auf der Basis von klinischen Daten im großen Maßstab simuliert.

  • Brückenkurs Mathematik (Einführung für Studierende im 1. Semester, WiSe 2019/20)
  • Datenbanksysteme und medizinischer Workflow - Vorlesung (Bachelor Medizintechnik, SoSe 2020 und SoSe 2021)
  • Machine Learning for Engineers - Übungen (Master Medizintechnik, WiSe 2020/21)
  • IT-Tools und Algorithmen - Vorlesung (Teilgebiet Datenvisualisierung, Fakultät WIG, SoSe 2021)
  • Machine Learning for Engineers - Vorlesung (Master Medizintechnik, WiSe 2021/22)
  • Haas O, Maier A, Rothgang E. Mining statistically significant odds ratios from large heterogeneous clinical datasets. GMDS & CEN-IBS 2020, Berlin.
  • Haas O. Digitalization in clinical environments using graph databases, ZD.B Symposium - Frauenchiemsee 2018
  • Haas O. Clinical data integration and evaluation for nurse-patient-ratios. Pattern Recognition Symposium - Erlangen 2019
  • Haas O. Link prediction in bipartite clinical coding networks. BayWiss Gesundheit Netzwerktreffen - Augsburg 2019
  • Haas O. Learning cross-modality association rules from clinical EMR networks. Pattern Recognition Symposium - Erlangen 2019
  • Haas O. Automated learning of general association rules from large heterogeneous clincal records. ZD.B Symposium - Neumarkt i. d. Oberpfalz 2019
  • Haas O. MIMIC Rules: assoziative Regeln aus heterogenen klinischen Daten. BayWiss Gesundheit Herbstakademie - Seeon 2019
  • Haas O. Odds Ratio-Based Association Rule Mining for the Detection of Heterogeneous, Statistically Significant Medical Risk Patterns in Heterogeneous Clinical Data. Pattern Recognition Symposium - Erlangen 2020
  • Haas O. Mining statistically significant odds ratios from heterogeneous clinical records using automated case-control studies. Pattern Recognition Symposium - Erlangen 2020
  • Haas O. Epidemiological Association Rule Mining. BayWiss Gesundheit Herbstakademie - Online 2020
  • Haas O. Using Incidence rate ratios for temporal data mining of heterogeneous medical risk patterns. Pattern Recognition Symposium - Erlangen 2021
  • ZD.B / bidt Fellowship 2018

 

Nach oben