Klinische Ereignisse, wie beispielsweise Sepsis, können umso besser behandelt werden, je früher sie diagnostiziert werden. Mit Hilfe von Methoden des maschinellen Lernens lassen sich bereits aus Patient:innen-Routinedaten klinische Ereignisse frühzeitig vorhersagen und über Integration dieser Vorhersagen in klinische Entscheidungsuntersützungssysteme die Behandlung optimieren.
Ziel dieses Projekts ist die Entwicklung von Prädiktionsmodellen für klinisch relevante Ereignisse auf Basis intensivmedizinischer Routinedaten. Hierzu kommen in erster Linie Methoden des überwachten maschinellen Lernen zum Einsatz, wie u.a. Gradient boosting, Support Vector Machines, neuronale Netzwerke und Gaussian Process Regression.
Eine frühzeitige Vorhersage von klinischen Ereignissen und eine Integration solcher Vorhersagen in klinische Entscheidungsuntersützungssysteme ermöglicht es die Behandlung von Patienten und Patientinnen zu optimieren.
