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.

[Translate to German:] Radiological Cooperative Network (RACOON)

RACOON - wie geht es weiter?

Seit Mitte 2020 wird mint Lesion™ im Rahmen von RACOON (Radiological Cooperative Network) im Netzwerk Universitätsmedizin erfolgreich eingesetzt. RACOON hat als weltweit erstes Projekt dieser Größenordnung eine bundesweite Infrastruktur aller 38 deutschen Universitätskliniken zur strukturierten Erfassung radiologischer Daten von COVID-19 Fällen errichtet.

Als Industriepartner liefert Mint Medical die technologische Basis („RACOON Base“) für die Erfassung radiologischer Daten. Die an den Standorten dokumentierten klinischen Informationen (z. B. Blutwerte, Behandlungsverlauf usw.) können den Anwendern über Schnittstellen zwischen der Befundungsplattform und anderen lokalen Datenquellen (RIS, KIS, etc.) zur Verfügung gestellt werden. Der Befundungsprozess erfüllt alle Ansprüche an Vollständigkeit, Nachvollziehbarkeit und Richtlinienkonformität und gewährleistet hierdurch die Wahrung der guten wissenschaftlichen Praxis.

Das Projekt begann ursprünglich als Plattform für die Erfassung und Analyse radiologischer Daten von COVID-19 Fällen, es zeigte sich jedoch schon bald, dass die geschaffene Infrastruktur ein hohes Skalierungspotenzial hat und auch auf zahlreiche weitere Anwendungsbereiche ausweitbar ist.  Das Netzwerk wird daher in den kommenden Jahren (2022 - 2024) weiter ausgebaut, sowohl durch weitere Verbesserungen der Basisinfrastruktur als auch durch die Integration neuer Anwendungsfelder, z. B. in den Bereichen der neurologischen, kardiologischen und pädiatrischen Bildgebung.

Ähnliche Inhalte

Ähnliche Inhalte

mint Lesion Screenshot mit HCC Diagnose laut APASL, AASLD, LI-RADS, LCA-NCC und EASL Leitlinien.

Multizentrische Studie: Vergleich diagnostischer Leitlinien für hepatozelluläres Karzinom

Neueste Fortschritte in MRT-Techniken und der Tumorbiologie haben zu aktualisierten Diagnoseleitlinien verschiedener Leberforschungsverbände für das…

Radiologe nutzt KI zur Auswertung medizinischer Bilder

Förderung des föderierten Lernens in der Radiologie in der Praxis

Federated Learning (FL) ermöglicht kollaboratives Modelltraining ohne Datenzentralisierung - ein entscheidender Aspekt für die radiologische…

Schematische Darstellung der Federated-Learning Studie und ihrer Dateninfastruktur

RACOON: Ein Leitfaden zur Überbrückung der Kluft zwischen simulierter und realer Forschung im Bereich des föderalen Lernens

Deep Learning (DL) ist ein wichtiger Bestandteil der radiologischen Bildanalyse geworden. Um diese Deep-Learning-Modelle zu trainieren, ist der Zugang…