KI in der Pflegeberatung

Doktorin steht vor älterer Patentin im Rohllstuhl



Projektübersicht

Anzahl Studierende 1-2
Art Projekt mit externem Partner
Projektverantwortung Dr. Christoph Ostrau, Prof. Dr. Wolfram Schenck, Dr. Andreas Hellmann (Entyre)
Projektkontext Das Projekt ist Teil der Arbeit von CareTech OWL und wird in enger Kooperation mit der Firma Entyre durchgeführt.

 

Kurzbeschreibung

Der Übergang vom selbstständigen Leben in eine Pflegesituation, insbesondere im hohen Alter, erfolgt oft plötzlich und wird von den Betroffenen und ihren Angehörigen nur wenig vorbereitet. Gerade im Akutfall fehlt oft die Zeit und der Überblick, um alle notwendigen Hilfen und Versorgungsformen abzuwägen. Hier setzt Entyre an: Neben der Qualitätsanalyse bereits verordneter Hilfsmittel findet eine persönliche Beratung im häuslichen Umfeld statt, um den tatsächlichen Bedarf der Betroffenen und ihrer Angehörigen zu ermitteln. Dabei stehen die Betroffenen im Mittelpunkt: Es geht um ihre Wahrnehmung und ihre Herausforderungen. Unterstützt wird diese Erhebung im häuslichen Umfeld durch eine interaktive App, die den Pflegeberater*innen zur Verfügung steht. Erhoben werden akute Ereignisse (Sturz, Krankenhausaufenthalt etc.), Fragen zur Zufriedenheit und zum Befinden mittels „patient reported outcomes“. Viele Informationen werden in der App in strukturierter und damit maschinell gut auswertbarer Form erfasst. Einige Informationen werden in Freitextfeldern und zwischen den Konsultationsterminen ergänzt. Hier liegen die größten Herausforderungen: Wie können die strukturierten Daten vollumfänglich genutzt und ausgewertet werden? Können die Ergebnisse aktiv für die Pflegeberatung genutzt werden? Und wie können die unstrukturierten Daten so aufbereitet werden, dass diese maschinell ausgewertet werden können?

Wir wollen diesen Datenschatz heben, um einen echten Mehrwert in der Patient*innenversorgung zu schaffen. Nutzerorientierte Fragestellungen erheben die Sicht der Betroffenen und betrachten daher nicht nur die oft einseitigen Diagnosen von Ärzt*innen und Krankenhauspersonal. Die Ergebnisse der Datenanalyse sollen Defizite in der Hilfsmittelversorgung und andere Missstände, aber auch funktionierende Versorgungsformen aufzeigen. Akute Ereignisse und Versorgungsbedarfe sollen auf vorhergehende Erkrankungen zurückgeführt werden und Maßnahmen damit begründet werden. Darauf aufbauende Empfehlungen sollen die Fachkräfte in ihrer Arbeit unterstützen.

Ziel dieses Projektes ist es, eine Vorverarbeitung für die von der Entyre GmbH erhobenen Daten durchzuführen. Mittels einfacher statistischer Analysen soll der Datensatz charakterisiert und einfache Gesamtzusammenhänge sowie zeitliche Verläufe analysiert werden. Wahlweise kann darauf aufbauend an einem KI-Empfehlungssystem für Fachkräfte gearbeitet werden oder alternativ der unstrukturierte Teil des Datensatzes mittels großer Sprachmodelle ausgewertet werden.

Ersteres basiert auf der Analyse von Zusammenhängen zwischen durchgeführten Maßnahmen sowie äußeren Umständen und der Verbesserung bzw. Verschlechterung der Situation der Patientinnen und Patienten. Beispielsweise soll das System in der Lage sein, mögliche akute Ereignisse (schwere Stürze) auf der Grundlage von bestehenden Erkrankungen (z.B. Bluthochdruck) und der häuslichen Umgebung (hohe Türschwellen oder Teppiche) vorherzusagen.

Die Analyse unstrukturierter Daten wird zunächst mit Hilfe von vorab trainierten Modellen evaluiert. Insbesondere soll der Einsatz von Open Source Large Language Models (z.B. Llama2 und Derivate) für die Datenanalyse evaluiert werden. Quantisierte Modelle bieten hier die Möglichkeit einer effizienten und lokalen Anwendung und sind daher gerade im Bereich der Analyse sensibler medizinischer Daten von besonderem Interesse. Sollte die Qualität der Ergebnisse nicht ausreichen, wird eine Spezialisierung der Modelle auf der Basis von medizinischen Korpora oder neu zu erstellenden Datensätzen verfolgt.

Aufgabenstellung

Für beide Arbeitsbereiche werden zunächst die vorhandenen strukturierten Daten gesichtet, vorverarbeitet und bereinigt. Es wird eine Datenbank aufgebaut und einfache statistische Verfahren zur Charakterisierung der Daten angewendet.
Anschließend wird ein Empfehlungssystem auf der Basis von Interventions- und Behandlungsverläufen entwickelt. Die genaue technische Umsetzung ist Teil der Ausarbeitung. Denkbar ist hier die Anwendung von AutoML-Methoden auf einen Teil des Datensatzes und die Erweiterung der Gewinnerarchitektur.
Alternativ wird der Freitextanteil mit textverarbeitenden KIs, wie Open Source Large Language Models, ausgewertet. Eine Maßnahme zur Verbesserung der Performance soll evaluiert werden, wie z.B. Transfer Learning mit existierenden medizinischen Textdatensätzen.

 

Bezug zum Thema Data Science

Im vorgestellten Projekt geht es sowohl um die Datenvorverarbeitung und -aufbereitung, die Einbindung in Datenbanken und die Themen Transfer Learning, Natural Language Processing oder AutoML. Diese Bereiche sind alle direkt mit dem Thema Data Science verknüpft.

 

Verfügbare Ressourcen

Die benötigten Daten werden von der Entyre GmbH nach Unterzeichnung einer Vertraulichkeits- und Datenschutzerklärung in pseudonymisierter Form zur Verfügung gestellt. Als Rechenressourcen wird die TransCareTech Erweiterung des YourAI Clusters genutzt. Diese stellt 4 Nvidia A100 für das Training von KI-Methoden zur Verfügung.

 

Projektplan

Erstes Semester: Ausarbeitung eines Forschungsexposees, Einarbeitung in die Thematik sowie Sichtung des Datensatzes

Zweites Semester: Recherchen zum Thema KI-Empfehlungssysteme/KI-Sprachverarbeitung, Analyse des Datensatzes mittels statistischer Verfahren. Erste Veröffentlichung zum Stand er Technik.

Drittes Semester: Implementierung der KI-Verfahren und Auswertung. Zweite Veröffentlichung zur ersten Ergebnisse.

Viertes Semester: Optimierung der Verfahren, Weiterentwicklung zur Anwendung, Finale Auswertung. Masterarbeit und Kolloquium.

 

Eignungskriterien

Zwingend:

  • Programmierkenntnisse in Python
  • Begeisterung für die Motive und das Thema des Projekts

Optional:

  • Erfahrung mit der Anwendung von ML
  • Erfahrung mit Datenbanken


Erwerbbare Kompetenzen

  • Umgang mit großen Datensätzen
  • Vorverarbeitung von Daten und Feature Engineering
  • Einsatz von KI-Verfahren in sozialen/gesundheitsbezogenen Berufen