Pflegedaten
Pflegedaten
Pflegedaten
Forschungsdatenplattform
Forschungsdatenplattform
Forschungsdatenplattform
Im rasch voranschreitenden Gesundheitswesen ermöglicht die Integration künstlicher Intelligenz (KI) eine Verbesserung der Patientenergebnisse. Um die Forschung in diesem Bereich zu erleichtern, werden hochwertige und robuste Daten benötigt, die die Entwicklung von KI-Modellen ermöglichen. Da Gesundheitsdaten sensibel sind und geschützt werden müssen, ist das Teilen von Daten unter Wahrung der Patientenrechte ein wichtiges Thema. Die Bereitstellung qualitativer Daten unter Wahrung der Privatsphäre ist daher für Forscher von unschätzbarem Wert. Aus diesem Grund haben wir uns zum Ziel gesetzt, hochgradig authentische, synthetische Daten zu generieren und sie Forschern auf einer öffentlichen, dezentralen Plattform zur Verfügung zu stellen, um die Forschung zu KI in der Pflege voranzutreiben.
Im rasch voranschreitenden Gesundheitswesen ermöglicht die Integration künstlicher Intelligenz (KI) eine Verbesserung der Patientenergebnisse. Um die Forschung in diesem Bereich zu erleichtern, werden hochwertige und robuste Daten benötigt, die die Entwicklung von KI-Modellen ermöglichen. Da Gesundheitsdaten sensibel sind und geschützt werden müssen, ist das Teilen von Daten unter Wahrung der Patientenrechte ein wichtiges Thema. Die Bereitstellung qualitativer Daten unter Wahrung der Privatsphäre ist daher für Forscher von unschätzbarem Wert. Aus diesem Grund haben wir uns zum Ziel gesetzt, hochgradig authentische, synthetische Daten zu generieren und sie Forschern auf einer öffentlichen, dezentralen Plattform zur Verfügung zu stellen, um die Forschung zu KI in der Pflege voranzutreiben.
Im rasch voranschreitenden Gesundheitswesen ermöglicht die Integration künstlicher Intelligenz (KI) eine Verbesserung der Patientenergebnisse. Um die Forschung in diesem Bereich zu erleichtern, werden hochwertige und robuste Daten benötigt, die die Entwicklung von KI-Modellen ermöglichen. Da Gesundheitsdaten sensibel sind und geschützt werden müssen, ist das Teilen von Daten unter Wahrung der Patientenrechte ein wichtiges Thema. Die Bereitstellung qualitativer Daten unter Wahrung der Privatsphäre ist daher für Forscher von unschätzbarem Wert. Aus diesem Grund haben wir uns zum Ziel gesetzt, hochgradig authentische, synthetische Daten zu generieren und sie Forschern auf einer öffentlichen, dezentralen Plattform zur Verfügung zu stellen, um die Forschung zu KI in der Pflege voranzutreiben.
Unser Ansatz – Datenarchitektur & Datenschutz
Unser Ansatz – Datenarchitektur & Datenschutz
Unser Ansatz – Datenarchitektur & Datenschutz
Unser Ansatz zur Datenarchitektur und dem Datenschutz sieht einen vier-stufigen Prozess vor, welcher die Datenextraktion [1], die Datenqualität und – analyse [2], sowie das dezentrale Datenrepository [3] und als finalen Schritt das Machine Learning [4] vorsieht.
Unser Ansatz zur Datenarchitektur und dem Datenschutz sieht einen vier-stufigen Prozess vor, welcher die Datenextraktion [1], die Datenqualität und – analyse [2], sowie das dezentrale Datenrepository [3] und als finalen Schritt das Machine Learning [4] vorsieht.
Unser Ansatz zur Datenarchitektur und dem Datenschutz sieht einen vier-stufigen Prozess vor, welcher die Datenextraktion [1], die Datenqualität und – analyse [2], sowie das dezentrale Datenrepository [3] und als finalen Schritt das Machine Learning [4] vorsieht.
So sollen unter Verwendung von Privacy-Preserving dezentralen Deep Learning Ansätzen prädiktive Modelle zur Sturzprognose entwickelt werden, welche alle relevanten Risikofaktoren berücksichtigen. Die dafür genutzten Daten stammen aus zwei großen Pflegeinstitutionen und einem Startup. Zur Privatsphäre wahrenden Verarbeitung der Daten, sollen in den Institutionen generativen Deep Learning Modelle trainiert werden, die synthetische aber möglichst authentische Patientendaten erzeugen können.
So sollen unter Verwendung von Privacy-Preserving dezentralen Deep Learning Ansätzen prädiktive Modelle zur Sturzprognose entwickelt werden, welche alle relevanten Risikofaktoren berücksichtigen. Die dafür genutzten Daten stammen aus zwei großen Pflegeinstitutionen und einem Startup. Zur Privatsphäre wahrenden Verarbeitung der Daten, sollen in den Institutionen generativen Deep Learning Modelle trainiert werden, die synthetische aber möglichst authentische Patientendaten erzeugen können.
So sollen unter Verwendung von Privacy-Preserving dezentralen Deep Learning Ansätzen prädiktive Modelle zur Sturzprognose entwickelt werden, welche alle relevanten Risikofaktoren berücksichtigen. Die dafür genutzten Daten stammen aus zwei großen Pflegeinstitutionen und einem Startup. Zur Privatsphäre wahrenden Verarbeitung der Daten, sollen in den Institutionen generativen Deep Learning Modelle trainiert werden, die synthetische aber möglichst authentische Patientendaten erzeugen können.
Durch die Einbettung in standardisierte Laufzeitumgebungen, realisiert durch Container Technologien, können die Modelle unter den Einrichtungen sowie mit externen KI-Forschenden geteilt werden. Somit können realistische Daten zur Verfügung gestellt werden ohne echte Patientendaten teilen zu müssen. Mithilfe der im Projekt entwickelten Datenintegrations- und Datenanalysemethoden sowie der KI-Anwendung ließen sich auch alternative relevante Fragestellungen, Daten und Outcomes evaluieren.
Die standardisierte Laufzeitumgebung soll eine schnelle Entwicklung von KI-Anwendungen und Datenanalysen ermöglichen, sowohl extern als auch vor Ort ohne Integrationsaufwand. Diese neuartige Infrastruktur ermöglicht erstmalig die Entwicklung und Validierung einer leitlinienkonformen KI-basierten pflegerischen Sturzprävention über mehrere Einrichtungen hinweg.
Durch die Einbettung in standardisierte Laufzeitumgebungen, realisiert durch Container Technologien, können die Modelle unter den Einrichtungen sowie mit externen KI-Forschenden geteilt werden. Somit können realistische Daten zur Verfügung gestellt werden ohne echte Patientendaten teilen zu müssen. Mithilfe der im Projekt entwickelten Datenintegrations- und Datenanalysemethoden sowie der KI-Anwendung ließen sich auch alternative relevante Fragestellungen, Daten und Outcomes evaluieren.
Die standardisierte Laufzeitumgebung soll eine schnelle Entwicklung von KI-Anwendungen und Datenanalysen ermöglichen, sowohl extern als auch vor Ort ohne Integrationsaufwand. Diese neuartige Infrastruktur ermöglicht erstmalig die Entwicklung und Validierung einer leitlinienkonformen KI-basierten pflegerischen Sturzprävention über mehrere Einrichtungen hinweg.
Durch die Einbettung in standardisierte Laufzeitumgebungen, realisiert durch Container Technologien, können die Modelle unter den Einrichtungen sowie mit externen KI-Forschenden geteilt werden. Somit können realistische Daten zur Verfügung gestellt werden ohne echte Patientendaten teilen zu müssen. Mithilfe der im Projekt entwickelten Datenintegrations- und Datenanalysemethoden sowie der KI-Anwendung ließen sich auch alternative relevante Fragestellungen, Daten und Outcomes evaluieren.
Die standardisierte Laufzeitumgebung soll eine schnelle Entwicklung von KI-Anwendungen und Datenanalysen ermöglichen, sowohl extern als auch vor Ort ohne Integrationsaufwand. Diese neuartige Infrastruktur ermöglicht erstmalig die Entwicklung und Validierung einer leitlinienkonformen KI-basierten pflegerischen Sturzprävention über mehrere Einrichtungen hinweg.