Stand und Entwicklungen - Fabian Prasser, Klaus A. Kuhn, Oliver Kohlbacher, Ulrich Mansmann TU München, Universität Tübingen, Universität München ...
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
01ZZ1603[A-D] und 01ZZ1804[A-H] Stand und Entwicklungen Fabian Prasser, Klaus A. Kuhn, Oliver Kohlbacher, Ulrich Mansmann und das DIFUTURE Konsortium TU München, Universität Tübingen, Universität München und Partner
Strukturelle Entwicklung des Konsortiums
Partner Rolle Details
TU München, Kernpartner
Klinikum rechts der Isar Bauen Datenintegrationszentren
Universität München, Kernpartner (DIZ) auf, arbeiten an
Klinikum der Universität Anwendungsfällen, beginnend mit
Universität Tübingen, Kernpartner Multipler Sklerose (MS)
Klinikum der Universität
Universität Augsburg, Kernpartner DIZ später (bis 2021), Teilnahme am
Klinikum der Universität Anwendungsfall MS
Universitätsklinikum Vernetzungs- Übernehmen Lösungen, sind in die
Regensburg partner
Konzeptionierung einbezogen,
Universitätsklinikum des Saarlands, Vernetzungs- streben perspektivisch ebenfalls
Universität des Saarlands partner DIZen an
Universität Ulm, Neuer Baut ein DIZ auf, nimmt am
Universitätsklinikum Ulm Partner Anwendungsfall MS teil
Kairos GmbH Industrie- Verzeichnisdienst (Metadata
partner Repository) für die Datenintegration
DIFUTURE | DMEA 2019 2
Anwendungsfälle von DIFUTURE
• Anwendungsfälle von DIFUTURE
• Sind auf Krankheiten ausgerichtet
• Mit nachweisbarem Nutzen für Ärzte, Forscher und Patienten
• Multiple Sklerose, Parkinson, Onkologie und Kardiologie,
weitere
• Übergeordnetes Ziel ist Präzisionsmedizin
• Gezielten Ausrichtung von Prävention, Diagnostik, Therapie
und Nachsorge
• Entwicklung und Bereitstellung von
entscheidungsunterstützenden Komponenten
• Implementierung nach einem Stufenkonzept
• Verschiedene Phasen der Umsetzung, eng verzahnt
• Übertragung der entwickelten Konzepte und Lösungen
DIFUTURE | DMEA 2019 3
Ansatz von DIFUTURE
Lernendes
Machine
Analysen
Learning
Studien Gesundheits-
system
Labor
IT als Rückgrat
Qualität Harmonisierte und integrierte Daten
der Tanslation
Datenintegrationszentren Bett
Neue Verfahren
IT Systeme/Geräte: Krankenhaus, Praxen, Kassen, KV,
Entscheidungs-
Patienten und Bürger
unterstützung
Vgl. K. A. Kuhn et al. Short overview of DIFUTURE. Digital Health Summit Munich 2018
DIFUTURE | DMEA 2019 4
Beispiel: Anwendungsfall Multiple Sklerose
MS- Lernendes
Modellbildung Validierung
spezifische
(retrospektiv) (prospektiv) Gesundheits-
Analysen
system
Labor
MS-Kerndatensatz, Data Warehousing, IT als Rückgrat
Qualität verteilte Auswertungen der Tanslation
Datenintegrationszentren Bett
Neue Verfahren
Standardisierte Bildgebung, strukturierte Dokumentation und
Entscheidungs-
Befundung, Patient-Reported Data
unterstützung
Vgl. K. A. Kuhn et al. Short overview of DIFUTURE. Digital Health Summit Munich 2018
DIFUTURE | DMEA 2019 5Beispiel: Anwendungsfall Multiple Sklerose
MS- Lernendes
Modellbildung Validierung
spezifische
(retrospektiv) (prospektiv) Gesundheits-
Analysen
system
Labor
MS-Kerndatensatz, Data Warehousing, IT als Rückgrat
Qualität verteilte Auswertungen der Tanslation
Datenintegrationszentren Bett
Neue Verfahren
Standardisierte Bildgebung, strukturierte Dokumentation und
Entscheidungs-
Befundung, Patient-Reported Data
unterstützung
Vgl. K. A. Kuhn et al. Short overview of DIFUTURE. Digital Health Summit Munich 2018
DIFUTURE | DMEA 2019 6Strukturierte Dokumentation und Befundung 1/3
Konzept: B. Hemmer, C. Gasperi et al.
DIFUTURE | DMEA 2019 7Strukturierte Dokumentation und Befundung 2/3
Konzept: B. Hemmer, C. Gasperi et al.
DIFUTURE | DMEA 2019 8Strukturierte Dokumentation und Befundung 3/3
Konzept: J. Kirschke et al.
DIFUTURE | DMEA 2019 9Patient-Reported Outcomes und QoL
DIFUTURE | DMEA 2019 10Beispiel: Anwendungsfall Multiple Sklerose
MS- Lernendes
Modellbildung Validierung
spezifische
(retrospektiv) (prospektiv) Gesundheits-
Analysen
system
Labor
MS-Kerndatensatz, Data Warehousing, IT als Rückgrat
Qualität verteilte Auswertungen der Tanslation
Datenintegrationszentren Bett
Neue Verfahren
Standardisierte Bildgebung, strukturierte Dokumentation und
Entscheidungs-
Befundung, Patient-Reported Data
unterstützung
Vgl. K. A. Kuhn et al. Short overview of DIFUTURE. Digital Health Summit Munich 2018
DIFUTURE | DMEA 2019 11Data Warehousing
DIFUTURE | DMEA 2019 12Data Sharing und verteilte Analysen
„Station“ 1
5
„Station“ 2
1 2 3 4
Formulierung einer Definition Prüfung und Speicherung in
Forschungsfrage Rechenvorschrift Versiegelung sicherem „Safe“
Einpacken in „Train“ für Ausführung
„Station“ 3
• Data Analysis Train / Personal Health Train (PHT)
• Flexible Implementierung des Konzepts „bring the analysis to the data“
• Strikter Datenschutz durch manuelle Prüfung der Algorithmen
• Sicherheit der Infrastruktur (Bsp.: Trains können nicht manipuliert werden)
DIFUTURE | DMEA 2019 13Beispiel: Anwendungsfall Multiple Sklerose
MS- Lernendes
Modellbildung Validierung
spezifische
(retrospektiv) (prospektiv) Gesundheits-
Analysen
system
Labor
MS-Kerndatensatz, Data Warehousing, IT als Rückgrat
Qualität verteilte Auswertungen der Tanslation
Datenintegrationszentren Bett
Neue Verfahren
Standardisierte Bildgebung, strukturierte Dokumentation und
Entscheidungs-
Befundung, Patient-Reported Data
unterstützung
Vgl. K. A. Kuhn et al. Short overview of DIFUTURE. Digital Health Summit Munich 2018
DIFUTURE | DMEA 2019 14Validierung: Prospektive Beobachtungsstudie
Seit 2010: Bekannte Patienten mit Follow-up-Daten Seit 2018: Alle Patienten (insb. neu diagnostiziert)
Gut charakterisiert Sehr gut charakterisiert
Interdisziplinäre Gruppen, Hypothesen, Standardisierte Prozesse Validierung, Verständnis,
Studiendesign prognostische Regeln und Daten, Qualitätskontrolle neue Hypothesen
DIFUTURE | DMEA 2019 15Nutzen für Patientinnen und Patienten
• Forschung
• Regeln zur besseren Therapieentscheidung
• Besseres Verständnis der Krankheit
• Strukturierte und einheitliche Datenerhebung
• Erleichtert die Kommunikation und die Vergleichbarkeit
• Ermöglicht eine Verbesserung der Dokumentationsqualität
• Ermöglicht Forschung und den späteren Einsatz von
Entscheidungsunterstützung
• Standardisierte Bildgebung und -befundung
• Bessere Vergleichbarkeit im Verlauf
• Weniger Wiederholungsaufnahmen
• Ermöglicht Forschung und den späteren Einsatz von
Entscheidungsunterstützung
DIFUTURE | DMEA 2019 16Danke für Ihre Aufmerksamkeit!
Sie können auch lesen
