Angewandte KI im Gesundheitswesen (AAI)
Im Team für 'Angewandten KI im Gesundheitswesen' arbeiten wir daran, Computeralgorithmen des maschinellen Lernens und Modelle des „Deep Learnings“ in die klinische Anwendung zu bringen. Unter dem Begriff der künstlichen Intelligenz subsumieren wir alle Verfahren, die auf externeBetrachter:innen menschenartig wirken.
Bei der Teildisziplin des Maschinellen Lernen handelt es sich konkret um einen Ansatz zur Datenanalyse, der den Aufbau und die Anpassung von Modellen beinhaltet, die es Programmen ermöglichen, durch Erfahrung zu "lernen". Klinische Projekte, die von dieses Methoden profitieren sollen, begleiten wir von der frühen Konzeptionsphase über Beratung bei Aufnahme und Bereinigung der Daten bis hin zur Modellentwicklung und kritischen Evaluation. Hierbei können als Grundlage sowohl medizinischen Routinediagnostik als auch Studiendaten Verwendung finden. Ein besonderer Fokus liegt dabei auf klassischen Tabulardaten sowie komplexen Zeitserien, beispielsweise in Form von Sensordaten oder elektronischen Patientenakten.
Bei uns in der Angewandten KI im Gesundheitswesen werden die generierten -Algorithmen und Modelle bereits als Vorläufer KI-basierter Medizingeräte betrachtet. Der Fokus liegt somit stets auf der Nähe zu Nutzer:innen in der Klinik und berücksichtigt besonders die Erklärbarkeit der verwendeten Modelle und ihrer Ergebnisse (Explainable AI).
Das IAM-AI Team ist Mitglied im bAIome .
Publikationen
Improving Eye-Tracking Data Quality: A Framework for Reproducible Evaluation of Detection Algorithms
Gundler C, Temmen M, Gulberti A, Pötter-Nerger M, Ückert F
SENSORS-BASEL. 2024;24(9):2688.
Learning debiased graph representations from the OMOP common data model for synthetic data generation
Schulz N, Carus J, Wiederhold A, Johanns O, Peters F, Rath N, Rausch K, Holleczek , Katalinic A, Gundler C
BMC MED RES METHODOL. 2024;24(1):136.
Mapping the Oncological Basis Dataset to the Standardized Vocabularies of a Common Data Model: A Feasibility Study
Carus J, Trübe L, Szczepanski P, Nürnberg S, Hees H, Bartels S, Nennecke A, Ückert F, Gundler C
CANCERS. 2023;15(16):.
Semi-Automated Mapping of German Study Data Concepts to an English Common Data Model
Chechulina A, Carus J, Breitfeld P, Gundler C, Hees H, Twerenbold R, Blankenberg S, Ückert F, Nürnberg S
APPL SCI-BASEL. 2023;13(14):8159.
A Unified Data Architecture for Assessing Motor Symptoms in Parkinson's Disease
Gundler C, Zhu Q, Trübe L, Dadkhah A, Gutowski T, Rosch M, Langebrake C, Nürnberg S, Baehr M, Ückert F
Stud Health Technol Inform. 2023;307:22-30.
Understanding Human-Computer Interactions in Restricted Clinical Environments
Kraus K, Trübe L, Gundler C
Stud Health Technol Inform. 2023;307:126-134.
Patient-individual 3D-printing of drugs within a machine-learning-assisted closed-loop medication management – Design and first results of a feasibility study
Langebrake C, Gottfried K, Dadkhah A, Eggert J, Gutowski T, Rosch M, Schönbeck N, Gundler C, Nürnberg S, Ückert F, Baehr M
Clinical eHealth. 2023;6:3-9.
Development of an immediate release excipient composition for 3D printing via direct powder extrusion in a hospital
Rosch M, Gutowski T, Baehr M, Eggert J, Gottfried K, Gundler C, Nürnberg S, Langebrake C, Dadkhah A
INT J PHARMACEUT. 2023;643:.
Introduction of MONOCLE – a software to reduce the workload and optimize the processes of the molecular tumor board at the University Hospital Hamburg-Eppendorf
Schmitz A, Lauk K, Heß K, Voß H, Fulla O, Schönbeck N, Ückert F, Gundler C, Riemann L
Ger Med Sci. 2023.
Letzte Aktualisierung aus dem FIS: 26.07.2024 - 00:33 Uhr