Motivation

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 und Vorgehen

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.   

Innovationen und Perspektiven

Eine frühzeitige Vorhersage von klinischen Ereignissen und eine Integration solcher Vorhersagen in klinische Entscheidungsuntersützungssysteme ermöglicht es die Behandlung von Patienten und Patientinnen zu optimieren.

Ansprechpartner

• Dr. rer. nat. Gregor Lichtner

Publikationen

• Do, D.K., Rockenschaub, P., Boie, S., Volk, H.D., Balzer, F., von Dincklage, F., Lichtner, G., 2025. The impact of evaluation strategy on sepsis prediction model performance metrics in intensive care data (in prepration).
• Lichtner, G., Balzer, F., Haufe, S., Giesa, N., Schiefenhövel, F., Schmieding, M., Jurth, C., Kopp, W., Akalin, A., Schaller, S.J., Weber-Carstens, S., Spies, C., von Dincklage, F., 2021. Predicting lethal courses in critically ill COVID-19 patients using a machine learning model trained on patients with non-COVID-19 viral pneumonia. Sci Rep 11, 13205. https://doi.org/10.1038/s41598-021-92475-7