Zur Navigation springen Zum Inhalt springen
Oliver Haas

Oliver Haas
wissenschaftlicher Mitarbeiter
Mitarbeiter/in Fakultät Wirtschaftsingenieurwesen und Gesundheit

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

Kurzlebenslauf

  • 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.
  • 2018 bis heute: Wissenschaftlicher Mitarbeiter an der OTH-AW und Doktorand an der FAU.

Betreuer

Forschungsschwerpunkte

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 abliefern. 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 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 Mining: in großen Datenmengen werden häufig zusammen auftretende Objekte identifiziert. Bekannt ist das 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.

Lehre

  • Brückenkurs Mathematik (Einführung für Studierende im 1. Semester, WiSe 2019/20)
  • Datenbanksysteme und medizinischer Workflow - Vorlesung (Bachelor Medizintechnik, SoSe 2020)
  • Machine Learning for Engineers - Übungen (Master Medizintechnik, WiSe 2020/21)

Konferenzbeiträge

  • Haas O, Maier A, Rothgang E. Mining statistically significant odds ratios from large heterogeneous clinical datasets. GMDS & CEN-IBS 2020, Berlin. (In print)

Mitgliedschaften

Preise

  • ZD.B / bidt Fellowship 2018
Nach oben