Angewandte KI im Gesundheitswesen (AAI)
Unsere Arbeitsgruppe „Angewandte Künstliche Intelligenz im Gesundheitswesen“ entwickelt KI-gestützte Methoden, die komplexe zeitliche und räumliche Daten für die Medizin nutzbar machen. Ziel ist es, dazu beizutragen, Krankheiten und ihre Behandlung besser zu verstehen. Unsere Daten reichen von kontinuierlichen Sensorsignalen aus Wearables im häuslichen Umfeld über Umgebungseinflüsse bis hin zu strukturierten Routinedaten aus klinischen Informationssystemen. Darüber hinaus nutzen wir interoperable Datenquellen verschiedener Standorte, um klinische Daten einrichtungsübergreifend zu analysieren und populationsbezogene Fragestellungen von der Verteilung sozioökonomischer Risikofaktoren bis zur Validierung prädiktiver Modelle auf Registerdaten zu bearbeiten. Als interdisziplinäre Arbeitsgruppe arbeiten wir damit an der Schnittstelle der Medizininformatik, Kognitionswissenschaften, Datenwissenschaften und Epidemiologie.
Methodisch beschäftigen wir uns mit symbolischer und subsymbolischer künstlicher Intelligenz, zeitreihenbasiertem maschinellen Lernen, synthetischer Datengenerierung sowie der Qualitätssicherung von KI-Systemen im klinischen Kontext, insbesondere im Hinblick auf ihre Generalisierbarkeit. Ein zentrales Anliegen ist dabei die Translation: Wir entwickeln Algorithmen und Modelle mit dem Ziel. sie später unter Berücksichtigung der regulatorischen Anforderungen des Medizinproduktrechts und des EU AI Acts in praxistaugliche Anwendung zu überführen.
Wir freuen uns immer über Kooperationsanfragen aus Klinik, Forschung und Industrie. Ebenso betreuen wir sehr gerne engagierte Nachwuchswissenschaftlerinnen und -wissenschaftler beispielweise im Rahmen von Master-, Studien-, oder medzizinsche Doktorarbeiten.
Publikationen
Enhancing stratification for survival analyses across standardized data sources
BMC MED INFORM DECIS. 2026;26(1):261.
Supporting Risk Assessment Through a Visual, Browser-Based Tool
Gundler C, Ückert F
Stud Health Technol Inform. 2026;336:1456-1460.
From Prototype to Clinical Workflow: Co-Developing a Wearable Hypomimia System for Parkinson’s Disease
Wiederhold A, Haidar L, Pötter-Nerger M, Gundler C
SENSORS-BASEL. 2026;26(14):4454.
Pre-operative three-dimensional face scans for predicting difficult facemask ventilation: a prospective development study
Wünsch V, Bommes H, Germer S, Piltan M, Breitfeld P, Latus S, Krause L, Zöllner C, Gundler C, Petzoldt M
ANAESTHESIA. 2026 [Epub ahead of print].
Prospective development and validation of an objective classification for difficult facemask ventilation: the MASCAN score
Wünsch V, Bommes H, Piltan M, Germer S, Gundler C, Dohrmann T, Köhl V, Dankert A, Krause L, Zöllner C, Breitfeld P, Petzoldt M
ANAESTHESIA. 2026 [Epub ahead of print].
Privacy Protection in Data Synthesis: Effects on Survival Analysis Performance
Beernink M, Gundler C
Stud Health Technol Inform. 2025;327:22-26.
Humane Endpoint Estimation in Laboratory Rodents Using Bayesian Time Series Forecasts
Blaß M, Grohmann C, Frenzel T, Gundler C
Stud Health Technol Inform. 2025;327:78-82.
Latent spaces of generative models for forensic age estimation: Evaluation of reliable support for forensic assessments
Chernysheva A, Gundler C, Wiederhold A, Jopp-van Well E, Heinemann A, Ondruschka B
RECHTSMEDIZIN. 2025;35(2):101–110.
Assessing the Generalizability of Foundation Models for the Recognition of Motor Examinations in Parkinson's Disease
Gundler C, Wiederhold A, Pötter-Nerger M
SENSORS-BASEL. 2025;25(17):5523.
Digitalizing Medical Forms Through Visual Question Answering: Are We There Yet?
Gundler C, Wiederhold A, Pötter-Nerger M
Stud Health Technol Inform. 2025;329:253-257.
Leveraging machine-learning techniques to detect recurrences in cancer registry data: A multi-registry validation study using German lung cancer data
Kusche H, Gundler C, Johanns O, Sauerberg M, Wicker T, Heinrichs V, Dettmer D, Goeken N, Langholz M, Luttmann S, Mazuch P, Pritzkuleit R, Rath N, Rausch K, Sha L, Sieber A, Katalinic A, Nennecke A
EUR J CANCER. 2025;227:115604.
Monitoring Hypomimia in Parkinson's Disease Using an E-Textile
Wiederhold A, Gundler C
Stud Health Technol Inform. 2025;327:999-1000.
Opportunities and Limitations of Wrist-Worn Devices for Dyskinesia Detection in Parkinson's Disease
Wiederhold A, Zhu Q, Spiegel S, Dadkhah A, Pötter-Nerger M, Langebrake C, Ückert F, Gundler C
SENSORS-BASEL. 2025;25(14):.
Unlocking the Potential of Secondary Data for Public Health Research: Retrospective Study With a Novel Clinical Platform
Gundler C, Gottfried K, Wiederhold A, Ataian M, Wurlitzer M, Gewehr J, Ückert F
INTERACT J MED RES. 2024;13:e51563.
Continuous, Learned Imputation of Missing Values in Parkinson's Disease
Gundler C, Pötter-Nerger M
Stud Health Technol Inform. 2024;316:654-658.
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.
Digitalizing Handwritten Digits of Patients with Parkinson's Disease Utilizing Consumer Hardware and Open-Source Software
Gundler C, Wiederhold A, Pötter-Nerger M
Stud Health Technol Inform. 2024;317:289-297.
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.
An LLM-Based Visualization and Analysis Aid for a Secondary Use Clinical Data Platform
Spiegel S, Wendt T, Gundler C, Ückert F, Riemann L
Stud Health Technol Inform. 2024;316:1617-1621.
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: 21.08.2026 - 00:32 Uhr
Laufende Projekte
-
Eine Schirmmütze zur Erkennung der Hypomimie
Eine Schirmmütze zur Erkennung der Hypomimie
Morbus Parkinson (PD) ist eine unheilbare neurodegenerative Erkrankung, die durch den Verlust von Dopamin produzierenden Zellen in der Substantia Nigra gekennzeichnet ist. Die resultierende Symptomatik kann die Lebensqualität der Betroffenen erheblich beeinträchtigen. Während heutige Wearables bereits in der Lage sind, motorische Symptome wie Tremor zu identifizieren, bleiben weitgehend unerforschte Symptome wie Hypomimie, eine verminderte Mimik, schwer erfassbar. Derzeit verfügbare Methoden wie stationäre Videoaufnahmen ermöglichen keine kontinuierliche Überwachung im Alltag, die jedoch notwendig ist, um den Fortschritt der Krankheit zu verstehen und Anpassungen in der Therapie vorzunehmen.
Unser Team hat in Zusammenarbeit mit der AG Bewegungsstörungen und THS von PD Dr. med. Monika Pötter-Nerger ein innovatives Messinstrument entwickelt und als Prototyp umgesetzt, das feine Muskelbewegungen im Gesicht präzise überwachen und drahtlos an eine iOS-Anwendung übertragen kann.
Für die klinische Betreuung und die daraus resultierenden ersten explorativen Analysen dieses Projekts suchen wir aktuell engagierte medizinische Doktorand:innen. Interessierte können sich gerne per E-Mail bei uns melden. Für weitere Informationen stehen Christopher Gundler und Alexander Wiederhold als Ansprechpartner zur Verfügung. -
-
Vernetzte Systeme bei Morbus Parkinson
Vernetzte Systeme bei Morbus Parkinson
Um die Lebensqualität von Patient:innen mit Parkinson zu verbessern, werden oft stationäre Untersuchungen und Behandlungen durchgeführt. Während des Aufenthalts im Krankenhaus erfolgen in erster Linie Anpassungen des aktuellen Therapieplans. Eine präzise und personalisierte Behandlung ist dabei entscheidend für den Therapieerfolg.
Mithilfe einer speziellen Tablet-Anwendung haben die Patient:innen die Möglichkeit, selbständig relevante Parameter ihres aktuellen Wohlbefindens sowie weitere nicht-motorische Symptome zu protokollieren. Ähnlich wie in einem digitalen Tagebuch werden dabei viele krankheitsrelevante Daten erfasst. Ergänzt wird dies durch den Einsatz von Sensoren, die über lokal vernetzte Systeme mit dem Tablet kommunizieren und so zeitabhängige relevante Vitalparameter tracken können.
Durch den Einsatz dieser vernetzten Systeme erhoffen wir uns neue Erkenntnisse über die Symptomschwere der Parkinson-Krankheit. In einem früheren Projekt haben wir bereits vergleichbare Daten gesammelt sowie erste Bewegungsdaten und medikamentöse Einnahmen ermittelt.