Machine Learning und Data Science in der perioperativen Medizin
Forschungsthemen – Schwerpunkte
Unsere Arbeitsgruppe beschäftigt sich mit der Anwendung maschinellen Lernens („Machine Learning“, ML) als Teilgebiet von Künstlicher Intelligenz („Artificial Intelligence“, AI) in der perioperativen Medizin. Wir möchten Modelle entwickeln, die bestimmte Ereignisse in der postoperativen Phase vorhersagen. Speziell interessiert uns hierbei auch die präoperative Leistungsdiagnostik („CPET“), die zur Vorhersage unerwünschter postoperativer Ereignisse genutzt werden kann. Durch Anwendung statistischer Methoden möchten wir Muster in den Daten erkennen, um die Bewertung der präoperativen Leistungsdiagnostik im Sinne eines prädiktiven Modells zu verbessern. Zudem möchten wir Methoden für die automatisierte Aufbereitung von perioperativen Daten entwickeln, um sie der Prozessierung durch ML-Algorithmen zugänglich zu machen („Data wrangling“).
In der gesamten perioperativen Phase entstehen patientenbezogene Daten, die von anamnestischen Informationen und präoperativen Laborwerten über intraoperative Vitalparameter sowie geräteassoziierte Messwerte bis hin zur Erfassung postoperativer Komplikationen reichen. Durch die Erkennung von bestimmten Mustern innerhalb dieser Daten ergibt sich das Potenzial, durch Anwendung auf neue Daten in der Zukunft liegende Ereignisse vorherzusagen. Das Erlernen von mathematischen Zusammenhängen in großen Datensätzen zur Lösung von Klassifikations- oder Regressionsproblemen stellt das Grundprinzip von künstlicher Intelligenz („Artificial Intelligence“, AI) dar. Die Datenwissenschaften („Data science“) beschreiben grundsätzlich, wie durch Anwendung statistischer Methoden Muster in Daten erkannt und Daten strukturiert werden.
