Hier werden die Unterschiede zwischen zwei Versionen angezeigt.
| Beide Seiten der vorigen Revision Vorhergehende Überarbeitung Nächste Überarbeitung | Vorhergehende Überarbeitung Nächste Überarbeitung Beide Seiten der Revision | ||
|
forschung:medtech [2024/02/27 10:25] fonck [NANNI] |
forschung:medtech [2024/02/27 10:27] fonck [Explainable AI] |
||
|---|---|---|---|
| Zeile 11: | Zeile 11: | ||
| ==== Aix-Neo-Guard ==== | ==== Aix-Neo-Guard ==== | ||
| ### | ### | ||
| - | Die Digitalisierung der intensivmedizinischen Arbeitsumgebung ermöglicht die Zusammenführung von Patientendaten aus Diagnostik und Therapie, wodurch multiparametrische, hochfrequente Datenkollektionen entstehen. Während solche Datenbanken für Erwachsene bereits öffentlich zugänglich etabliert sind, fehlt im Bereich der neonatologischen und pädiatrischen Intensivmedizin die Datengrundlage, um vielfältige Krankheitsbilder systemisch zu modellieren oder Methoden der künstlichen Intelligenz (KI) einzusetzen. | + | Die Digitalisierung der intensivmedizinischen Arbeitsumgebung ermöglicht die Zusammenführung von Patientendaten aus Diagnostik und Therapie, wodurch multiparametrische, hochfrequente Datenkollektionen entstehen. Während solche Datenbanken für Erwachsene bereits öffentlich zugänglich etabliert sind, fehlt im Bereich der neonatologischen und pädiatrischen Intensivmedizin die Datengrundlage, um vielfältige Krankheitsbilder systemisch zu modellieren oder Methoden der künstlichen Intelligenz (KI) einzusetzen. |
| + | ### | ||
| {{:forschung:ang_logo_1.png?nolink&170 |}} | {{:forschung:ang_logo_1.png?nolink&170 |}} | ||
| + | ### | ||
| Das Projekt AIx-Neo-Guard welches den erzeugten Datensatz eines vorherigen Projekts Nanni nutzt und erweitert, hat als übergeordnetes Ziel die Verbesserung intensivmedizinischer Diagnostik und Therapie im Neonatal-, Kindes- und Jugendalter durch Erhöhung der Therapiesicherheit und Verbesserung der medizinischen Ausbildung. | Das Projekt AIx-Neo-Guard welches den erzeugten Datensatz eines vorherigen Projekts Nanni nutzt und erweitert, hat als übergeordnetes Ziel die Verbesserung intensivmedizinischer Diagnostik und Therapie im Neonatal-, Kindes- und Jugendalter durch Erhöhung der Therapiesicherheit und Verbesserung der medizinischen Ausbildung. | ||
| + | ### | ||
| + | ### | ||
| + | Durch den Einsatz KI-basierter Algorithmen wird die Früherkennung von Behandlungs-Komplikationen möglich und es entstehen vertiefte Einblicke in pathophysiologische Zusammenhänge. Darüber hinaus wird ein physiologisches Modell zur Abbildung des pulmonalen Gasaustausches unter mechanischer Ventilation erarbeitet, welches in der Zukunft sowohl die Ausbildung von medizinischem Personal als auch die Therapie direkt unterstützen könnte. Als erste konkrete Schritte wurden bereits KI-Methoden wie Random Forest oder rekurrente Neuronale Netze auf hochaufgelöste Zeitreihendaten angewendet, um Patienten-Ventilator Asynchronitäten automatisiert zu erkennen. | ||
| + | ### | ||
| - | Durch den Einsatz KI-basierter Algorithmen wird die Früherkennung von Behandlungs-Komplikationen möglich und es entstehen vertiefte Einblicke in pathophysiologische Zusammenhänge. Darüber hinaus wird ein physiologisches Modell zur Abbildung des pulmonalen Gasaustausches unter mechanischer Ventilation erarbeitet, welches in der Zukunft sowohl die Ausbildung von medizinischem Personal als auch die Therapie direkt unterstützen könnte. | ||
| - | Als erste konkrete Schritte wurden bereits KI-Methoden wie Random Forest oder rekurrente Neuronale Netze auf hochaufgelöste Zeitreihendaten angewendet, um Patienten-Ventilator Asynchronitäten automatisiert zu erkennen. | ||
| \\ | \\ | ||
| - | \\ | + | Ansprechpartnerin: [[:lehrstuhl:mitarbeiter:oprea]] |
| - | \\ | + | |
| - | Ansprechpartner: [[:lehrstuhl:mitarbeiter:oprea]] | + | |
| - | ### | ||
| \\ | \\ | ||
| \\ | \\ | ||
| - | ==== Explainable AI ==== | + | ==== Erklärbare Künstliche Intelligenz ==== |
| Im Kontext der Projekte "SMITH", sowie "Aix-Neo-Guard" beschäftigen wir uns mit dem Thema der erklärbaren und interpretierbaren künstlichen Intelligenz, bzw. dem erklärbaren und interpretierbaren Machine Learning. Hierbei werden alle Aspekte des Data-Processings in Betracht genommen: Eine übersichtliche und gute visuelle Darstellung der vorhandenen Daten um Medizinern das Arbeiten mit den Daten zu erleichtern; Frameworks, die bestehende Machine Learning Verfahren um eine Auswahl von Erklärbarkeits und Interpretierbarkeits erweitern können; Von Grund auf für Erklärbarkeit und Interpretierbarkeit entwickelte Machine Learning Verfahren; Erweiterte Auswertungsverfahren für Machine Learning, die über einzelne Werte hinaus die Fähigkeiten und Schwächen der Verfahren darlegen. | Im Kontext der Projekte "SMITH", sowie "Aix-Neo-Guard" beschäftigen wir uns mit dem Thema der erklärbaren und interpretierbaren künstlichen Intelligenz, bzw. dem erklärbaren und interpretierbaren Machine Learning. Hierbei werden alle Aspekte des Data-Processings in Betracht genommen: Eine übersichtliche und gute visuelle Darstellung der vorhandenen Daten um Medizinern das Arbeiten mit den Daten zu erleichtern; Frameworks, die bestehende Machine Learning Verfahren um eine Auswahl von Erklärbarkeits und Interpretierbarkeits erweitern können; Von Grund auf für Erklärbarkeit und Interpretierbarkeit entwickelte Machine Learning Verfahren; Erweiterte Auswertungsverfahren für Machine Learning, die über einzelne Werte hinaus die Fähigkeiten und Schwächen der Verfahren darlegen. | ||
| - | \\ | ||
| - | \\ | ||
| \\ | \\ | ||
| Ansprechpartner: [[:lehrstuhl:mitarbeiter:fonck]], [[:lehrstuhl:mitarbeiter:kruschewsky]], [[:lehrstuhl:mitarbeiter:oprea]] | Ansprechpartner: [[:lehrstuhl:mitarbeiter:fonck]], [[:lehrstuhl:mitarbeiter:kruschewsky]], [[:lehrstuhl:mitarbeiter:oprea]] | ||