Healthcare Hackathon

Wie verbessert Künstliche Intelligenz Abläufe in der Medizin?

nl/pm
Gesellschaft
Wie kann die Digitalisierung Abläufe in der Medizin verbessern - und wie lässt sich Künstliche Intelligenz (KI) dafür nutzen und für alle verfügbar zum Einsatz bringen? Das fragen sich am 2. und 3. September Experten-Teams aus Pflegenden, Ärzten und Programmierern in Berlin auf dem ersten „Healthcare Hackathon“.

Der erste Hackathon in Mainz hat bereits folgende fünf vielversprechende, interaktiv-digitale Ideen für die Patientenversorgung und Mitarbeiterentlastung hervorgebracht, die nun in Berlin weiterentwickelt und verfeinert werden sollen:

Pflegedokumentation per Gestensteuerung und Spracheingabe

"Bee“ – die App für eine interaktive Mitarbeitereinarbeitung

ein Internet of Things (IoT)-Button für Entlastung der Pflege von Bestellprozessen

Künstliche Intelligenz als digitales „Drittes Auge“ für das Mikroskopieren

Big Data zur Schlaganfallprävention

1. Eine Möglichkeit, wie die Digitalisierung in der Pflege genutzt werden kann, zeigt das Projekt „Pflegedoku“ per Gestensteuerung und Spracheingabe - digital unterstützte Pflege für mehr Zeit am Patienten.

Das Projektteam hat sich die Frage gestellt, wie sich Prozessabläufe zur Dokumentation in der Pflege auch unter den Gesichtspunkten Hygiene und Ergonomie digital unterstützt vereinfachen lassen. Seine Antwort: durch eine Adaption der von Spielkonsolen bekannten Gestensteuerung. Die Pflegekräfte können, beispielsweise ohne die Handschuhe auszuziehen, mit einer einfachen Geste die Dokumentation vornehmen. Das Team hat die Lösung bereits in Demo-Patientenzimmern erfolgreich getestet und zum Einsatz gebracht. Mit dieser Projektidee konnte das Team bereits in Mainz die Jury überzeugen, die es zum Gewinnerteam gekürt hat.2. Das zweite Team hat auf dem Hackathon in Mainz die App „Bee“ - die App für die beste Einarbeitung entwickelt, die eine interaktive Einarbeitung neuer Mitarbeiter mittels Videotutorials und Multiple Choice-Fragen realisiert. In Berlin geht es nun darum, das Einarbeitungstool weiter zu verfeinern.3. Das Mainzer IoT-Team hat sich der praktischen Umsetzung von Anwendungen des "Internets der Dinge" (Internet of Things - IoT) auf den Gesundheitsbereich verschrieben.

Das Team bearbeitet dazu einen logistischen Prozess, in dem die Digitalisierung verschiedener Schritte zur Entlastung der Pflege führen soll. Ziel ist, die Nachbestellung von Bedarfsmaterial im Krankenhaus (hier Konkret: VAC-Pumpen) durch WLAN-unabhängige kleine kostengünstige IoT-Buttons zu realisieren.

Die Technik hat das Potenzial, den herkömmlichen Bestellprozess zu ersetzen und kann schnell konfiguriert werden. An der Universitätsmedizin Mainz ist Ende Juli der IoT-Button für die VAC-Pumpe an den Start gegangen. Die Gruppe rund um die IoT-Buttons mit Feedbackfunktion berichtet in Berlin vom ersten praktischen Einsatz und zielt darauf ab, „Hands On“ die Technologie für weitere Anwendungsfälle zu konfigurieren.

4. Wie Künstliche Intelligenz die Entscheidungsfindung bzw. die klinische Diagnostik von Tumorerkrankungen unterstützen kann, ist Thema eines weiteren besonderen Projekts aus Mainz. Das Projektteam zeigt, wie ein digitales „Drittes Auge“ als Navigator den Pathologen am Mikroskop unterstützt.

Dieses digitale „Dritte Auge“ zeigt an, wenn sich Krebszellen unter dem Mikroskop befinden. Beim Hackathon in Berlin geht es darum, den Einsatz des Systems, bezogen auf den klinischen Kontext, weiterzuentwickeln. Das Projekt wird bereits vom Bundesforschungsministerium (BMBF) gefördert.

5. Thematisch ebenfalls an der ärztlichen Behandlung orientiert, ist das fünfte Mainzer Projekt: Mit Big Data gegen Schlaganfall. Die Vorhofflimmern-Challenge – maschinelles Lernen in der kardiovaskulären Medizin.

Im Fokus steht, den digitalen Befund eines Patienten mit Vorhofflimmern – der häufigsten Herzrhythmusstörung – anhand von Routinedaten zu analysieren. Dieser Vorgang wird als tiefe Phänotypisierung oder Englisch „Deep Phenotyping“ bezeichnet. Für die Challenge in Berlin stehen dem Team DSGVO-konform anonymisierte Routinedatensätze zur Verfügung. Das Ziel ist, mit Methoden des maschinellen Lernens aus diesen Daten Modelle für eine bessere Charakterisierung und Klassifizierung von Vorhofflimmern sowie zur Vorhersage der Dauer des Krankenhausaufenthalts, der Rehospitalisationen oder des Auftretens schwerer Komplikationen abzuleiten.

Melden Sie sich hier zum zm Online-Newsletter an

Die aktuellen Nachrichten direkt in Ihren Posteingang

zm Online-Newsletter


Sie interessieren sich für einen unserer anderen Newsletter?
Hier geht zu den Anmeldungen zm starter-Newsletter und zm Heft-Newsletter.