Bleiben Sie auf dem Laufenden: Die Transformation der Radiologie dank strukturierter Befundung und datengesteuerter Ansätze

Erkundigen Sie sich über unsere Aktivitäten, Projekte und Produkt-Updates, informieren Sie sich über die neuesten Branchennachrichten, und erfahren Sie, was uns als Unternehmen und als Team ausmacht.

Projekt „KoMed“: Der kognitive medizinische Assistent zur Risiko- und Komplikationsminderung

Gefördert vom baden-württembergischen Ministerium für Wissenschaft, Forschung und Kunst, unterstützt Mint Medical seit März 2020 das Universitätsklinikum Heidelberg als Kooperationspartner bei einem innovativen Projekt: Die Entwicklung eines „kognitiven medizinischen Assistenten (KoMed)“, welcher das individuelle Operationsrisiko eines Patienten im Vorfeld erkennen, Therapieentscheidungen erleichtern sowie Komplikationen vorbeugen kann.
 
In Deutschland werden laut dem Statistischen Bundesamt jährlich circa 17 Millionen Operationen [1] durchgeführt. Während der Großteil der Patienten, von den Eingriffen profitieren, gibt es allerdings auch jene, die während oder nach der OP Komplikationen erleiden. Bislang werden Risikoscores gemäß Kriterien wie zum Beispiel Alter, Geschlecht und Vorerkrankungen bestimmt, welche das tatsächliche Komplikationsrisiko für den individuellen Patienten jedoch nur unzureichend abbilden. Um Komplikationen zu minimieren und mögliche Risiken schon vor der Operation berücksichtigen zu können, wird in den nächsten zwei Jahren ein interdisziplinäres Team der Klinik für Anästhesiologie und der Klinik für Allgemein-, Viszeral- und Transplantationschirurgie, dem Institut für Medizinische Biometrie und Informatik, der Abteilung Medizinische Informationssysteme und dem Zentrum für Informations- und Medizintechnik einen Algorithmus darin trainieren, mittels Big-Data Analysen eine Vielzahl klinischer Daten von Patienten auszuwerten. Dadurch kann KoMed eine fundierte Entscheidungshilfe für angepasste Behandlungen bieten, indem es maschinell erlernt, welche Merkmale mit einer größeren bzw. kleineren Wahrscheinlichkeit zu Komplikationen wie z.B. Wundinfekte oder Herzinfarkte führen. „Das gibt nicht nur Patienten und Behandlungsteams mehr Sicherheit bei der Therapieentscheidung“, erläutert Projektleiter Dr. Jan Larmann, Leitender Oberarzt der Anästhesiologischen Universitätsklinik, „die möglichst exakte Einschätzung des Risikos erlaubt außerdem einen gezielten Einsatz von Ressourcen und bringt damit auch einen ökonomischen Nutzen.“
 
Im Rahmen einer klinischen Studie mit zunächst 600 Patienten werden initial Routinedaten und Behandlungsverläufe strukturiert und analysierbar aufbereitet damit KoMed lernt, Risiken möglichst exakt zu erkennen. Mint Medical unterstützt diese Datenerhebung mit mint Lesion™ und speziell für das Projekt entwickelten eCRFs (electronic case report forms), die die Daten standardisiert und nachvollziehbar zur Verfügung stellen. Zudem werden in mint Analytics, einem Add-on von mint Lesion™, speziell für das Projekt optimierte Dashboards aufgesetzt, mit denen der Status der klinischen Studie in Echtzeit überwacht werden kann. Mit den Daten, die durch die klinische Routine sowie durch zusätzliche Proteomanalysen systematisch gesammelt werden, erhofft sich das Projektteam ein besseres Verständnis davon, unter welchen Begleitumständen es zu Komplikationen kommt: „So wird es in Zukunft möglich sein, gezielt gegenzusteuern,“ gibt sich Dr. Larmann zuversichtlich.

Sie können das Video hier ansehen. 


[1] www.destatis.de/DE/Themen/Gesellschaft-Umwelt/Gesundheit/Krankenhaeuser/Publikationen/Downloads-Krankenhaeuser/operationen-prozeduren-5231401187014.pdf

Ähnliche Inhalte

Ähnliche Inhalte

Bild einer Ärztin, die ein Hologramm einer Lunge hält

Strukturierte Befundung verbessert die Genauigkeit der TNM-Klassifikation und die Zufriedenheit der Radiologen

In einer kollaborativen, multizentrischen Studie entwickelten und validierten Radiologieexpert:innen in mint Lesion ein softwaregestütztes Framework…

Screenshot der strukturierten Befundungsvorlage für NSCLC Staging

Software-unterstützte strukturierte Befundung verbessert die Genauigkeit der TNM-Klassifikation beim NSCLC-Staging

In dieser multizentrischen Zusammenarbeit entwickelten und evaluierten Expert:innen der Thoraxradiologie ein softwaregestütztes Framework zur…

KI-basierte Erkennung von Lungenknoten mit contextflow und Lung-RADS in mint Lesion

Setzen Sie auf KI-gestützte Lungenrundherden-Erkennung und -Analyse für eine umfassende Patientenversorgung

Entdecken Sie die Möglichkeiten eines KI-gestützten und optimierten Lungen-Screenings mit contextflow ADVANCE Chest CT integriert in mint Lesion.…