Future Healthcare mit sepp.med
Das Know-how von morgen für die digitale Healthcare der Zukunft
Die Medizintechnik der Zukunft setzt auf die Digitalisierung. Neben dem Menschen sind der Digitale Zwilling und künstliche Intelligenz der Treiber für die Medizin von morgen: Den Menschen sichtbar machen und das Krankenhaus als lebendes Netzwerk virtualisieren – was bei IoT funktioniert, kann doch auch beim Menschen funktionieren! Die Digitalisierung revolutioniert die Behandlungen und die Möglichkeiten des medizinischen Personals. Das schafft Raum für die Arbeit am echten Menschen. Aber was, wenn der Computer sich irrt? Wie kann ich einen selbstlernenden Algorithmus beherrschen und warum ist gerade hier Wissen besser als Glauben?
Beispiel 1: Der „Digitale Zwilling“ als Online-Validierungs-Labor
Medizingeräte werden oftmals in einem IT-Netzwerk (Medizingeräte-Netzwerk) betrieben. Solche Netzwerke verbinden in der Regel Medizingeräte unterschiedlicher Typen und Hersteller. Sie müssen nicht nur gegen IT-Risiken wie Cyber-Angriffe abgesichert werden, sondern auch die Interaktion der Geräte untereinander berücksichtigen, um einen sicheren Betrieb nach Veränderungen der Netzstruktur oder nach Geräte-Updates zu gewährleisten.
Im Rahmen des FuE-Förderprogramms „Informations- und Kommunikationstechnologie“ des Freistaates Bayern übernimmt sepp.med in Zusammenarbeit mit dem Strahlenklinikum des Universitätsklinikums Erlangen folgende Aufgaben:
- Aufbau eines Online Living-Lab als Online-ValidierungsLabor zur Absicherung und Validierung der klinischen Prozesse und technische Umgebung des Medizingerätenetzwerks.
- Erstellung eines „Digitalen Zwillings“ des MedizingeräteNetzwerks, der zur Echtzeit-Überwachung des Netzwerkstatus und als Frühwarnsystem geeignet ist.
sepp.med setzt dabei auf Künstliche Intelligenz:
- Echtzeit-Netzwerkanalyse und Simulation, um so zukünftige Betriebszustände vorherzusagen und vorbeugende Wartungsmaßnahmen zu definieren.
- Automatisches Erkennen von abnormalem Verhalten.
- Zusätzliche Intelligenzebene hilft mittels präskriptiver Analytik, kritische Situationen vorherzusagen.
Beispiel 2: 2nd Opinion – Mit einer zweiten Meinung zur sicheren Diagnose
Mit der Anwendung „2nd Opinion“ hat sepp.med eine Beispiellösung für eine assistierende Bildbefundung von Augenkrankheiten mittels Deep Learning Methoden auf einer Web-Plattform als Prototyp entwickelt. Der Ansatz bietet dem Facharzt die Möglichkeit, seinen Befund online durch eine zweite Meinung – die des Algorithmus – überprüfen zu lassen. Gleichzeitig kann der Befund mit anderen Befunden in Relation gesetzt werden.
Die Qualität zählt! Der sepp.med Deep Learning Quality Ansatz:
- Trennung der Trainings‑, Validierungs- und Testdaten entsprechend der Best Practices im Machine Learning
- Verwendung von Datenmodellierung und Abbildung der Kombinatorik in grafischen Ablaufdiagrammen mithilfe der MBTsuite
- Wichtig: Trainings- und Validierungsdaten müssen repräsentativ, normiert, verfügbar und relevant sein
Die MBTsuite als Testfallgenerator liefert in diesem Modell jeweils einen minimalen Satz an Testdaten, der alle Äquivalenzklassen bzw. Grenzwerte abdeckt. Bei jeder Änderung erhält man so einen neuen Satz an Testdaten, was die Varianz des Tests erhöht.
Die Überwachung des Algorithmus durch verschiedene Metriken:
- DICE Koeffizient
- Hausdorff Metrik
- Execution Time Metrik
sepp.med setzt auf folgenden Test Workflow:
Der erste Schritt ist immer der Wichtigste: Sprechen Sie uns an, wir unterstützen Sie gerne: info@seppmed.de
