Predictive Health

Predictive Health



Projektübersicht

Startsemester WiSe 22/23 – SoSe 24
Anzahl Studierende 1
Art

Studienprojekt (interdisziplinär, fachbereichsübergreifend, praxisnahe Anbindung an ein Reallabor)

Projektverantwortung Prof. Dr. W. Schenck, Dr. Christoph Ostrau
Beraterin: Prof. Dr. Annette Nauerth
Projektkontext

Das Projekt findet im Rahmen des TransCareTech und dessen Reallabor Geriatrie statt. Außerdem ist das Vorhaben an das Center for Applied Data Science (CfADS) Gütersloh und den Fachbereich Gesundheit angebunden.

 

Video: Predictive Health – Vorhersage von Pflegebedarfsen im Reallabor

 

Kurzbeschreibung

Die Pflegesituation von geriatrischen Patient*innen als auch pflegebedürftigen älteren Menschen hat sich in den letzten Jahren verschlechtert. Dabei spielen akuter Fachkräftemangel und finanzieller Druck die Hauptrollen. Aufgrund von fehlender technischer Ausstattung und Standardisierung bleiben Chancen und Möglichkeiten der Digitalisierung oftmals ungenutzt. Im TransCareTech wollen wir uns genau diesen Themen widmen, um so langfristig die Situation pflegebedürftiger Mitmenschen zu verbessern.

Das vorgeschlagene Projekt ist eng verzahnt mit dem Reallabor Geriatrie, das sich gegenwärtig noch im Aufbau befindet. Dort werden Patient*innen in einer Beispielwohnung nach einer stationären Behandlung geriatrisch rehabilitiert. Neben der technischen Ausstattung der Wohn- und Behandlungsräume, die die Aufnahme von Vital- und Bewegungsdaten ermöglicht, werden die Probanden regelmäßig zu diversen Aspekten befragt. Ein Ziel dieser Arbeit ist die Berechnung eines Gesundheits-Scores, der sich nicht nur auf die körperliche Gesundheit bezieht, sondern auch Kategorien wie die mentale Gesundheit, die Lebensqualität und die soziale Einbindung (Stichwort Positive Health) mit in den Blick nimmt. Auf Basis der vorliegenden Datenquellen soll bewertet werden, inwieweit ein solcher Score sinnvoll gebildet werden kann. Eine weitere Aufgabe ist es, den sinnvollen Einsatz von Pflegepersonal durch die Vorhersage von Pflegebedarfen und Pflegenotfällen zu evaluieren. Hierbei werden KI-Methoden der „Predictive Maintenance“ auf vorliegende Fälle übertragen. Da ein solches Vorhaben nur unter der Nutzung großer Datensätze möglich wird, muss dafür zunächst ein Data Augmentation-Ansatz verfolgt werden, um den zur Projektzeit vorliegenden Datensatz entsprechend zu vergrößern. Diese Arbeit ist damit eng an die noch aufzubauende Care- Dateninfrastruktur angebunden und bildet einen essenziellen Baustein ebendieser. Eine Rückkommunikation der Scores und deren zeitlichen Verlauf an die Probanden und die behandelnden Fachkräfte verbessert das Selbstmanagement der Patient*innen. Die Einbeziehung in die Aufbauarbeiten ermöglicht eine Teilhabe der Patient*innen an dem Forschungsprojekt.

Aufgabenstellung

Das Projekt besteht aus zwei größeren Zielen: Zum einen dient ein zusammenfassender Score des allgemeinen Gesundheitszustands als Indikator für den Bedarf und Optimierungserfolg ambulanter Pflege. Zum anderen ermöglicht die Datenerweiterung in Bezug auf das Reallabor die anschließende Anwendung maschineller Lernverfahren zur Vorhersage von Pflegebedarfen/-notfällen. Außerdem wird zum Aufbau der Care-Dateninfrastruktur beigetragen. Daher umfasst das Aufgabenspektrum die folgenden Bereiche:

  • Datenvorverarbeitung und Katalogisierung der Daten.
  • Evaluation der Datenquellen als Grundlage für die Bildung eines Gesundheits-Scores zur Bewertung der Gesamtsituation einer Proband*in unter Positive Health Aspekten.
  • Erweiterung des vorhandenen Datensatzes zur Vorhersage von Pflegebedarfen und -notfällen.
  • Umsetzung einer KI zur Vorhersage von Pflegebedarfen

 

Bezug zum Thema Data Science
Die Arbeit ist eng an den Aufbau einer Dateninfrastruktur angebunden. Daher werden die Teilbereiche der Vorverarbeitung und der Archivierung/Strukturierung von Datensätzen behandelt. Bei der Datenverarbeitung spielt die Bewertung der Datenquellen zur Bestimmung der Gesundheit eine große Rolle. Um maschinelle Lernverfahren, die auf Big Data angewiesen sind, im Reallabor anwenden zu können, steht Data Augmentation im Mittelpunkt. Zuletzt werden Lernverfahren aus der Predictive Maintenance auf die erhaltenen Datensätze angewandt.

 

Verfügbare Ressourcen
Für die rechenintensiven Anteile des Projekts stehen die Infrastruktur des CfADS, insbesondere des Data-Analytics-Cluster, zur Verfügung. Die Datengrundlagen bilden Erhebungen im Reallabor Geriatrie des TransCareTech Forschungsprojektes.

 

Projektplan
Erstes Semester:
 Einarbeitung in die Infrastruktur des CfADS, Analyse der im Zusammenhang mit dem Reallabor Geriatrie anfallenden Daten, Literaturrecherche zur Bewertung von ganzheitlichen Gesundheitsaspekten, insbesondere des Positive Health Ansatzes, und zum Thema „Predictive Maintenance“, Überblick über domänenspezifische Datensätze.

Zweites Semester:
Vorverarbeitung der Daten des Reallabors und Einbindung in die Care-Dateninfrastruktur, Einarbeitung in das Thema Data Augmentation.

Drittes Semester: Augmentieren der Daten des Reallabors, Herausstellung entscheidender Charakteristika von Pflegebedarfen und Generierung synthetischer Daten, Berechnung eines wochengenauen Gesundheits-Scores.

Viertes Semester: Umsetzung der Vorhersagen (hinsichtlich Versorgungsbedarfe/akuter -notfälle) und Evaluation in dem Reallabor Geriatrie, Vergleich mit dem State-Of-The-Art und Potentialanalyse.

 

Eignungskriterien
Zwingend:

  • Programmierkenntnisse in mindestens einer objektorientierten Sprache
  • Englischkenntnisse zur Lektüre englischsprachiger Veröffentlichungen
  • Teamfähigkeit
Optional:
  • Programmierkenntnisse in Python
  • Grundkenntnisse in Hadoop
  • Grundkenntnisse in HBase


Erwerbbare Kompetenzen
Der/die Studierende ist nach Abschluss des Projekts in der Lage,

  • ML-basierte Verfahren auf großen Datensätzen anzuwenden.
  • Datensätze künstlich zu erweitern, um Big Data Methoden in Bereichen mit Sparse Data zu benutzen.
  • ML-Verfahren auf sequenziellen Datensätzen anzuwenden.
  • wissenschaftliche Publikationen zu verfassen.
  • die eigenen Ergebnisse vor einem Fachpublikum zu präsentieren.
  • im Team zusammenzuarbeiten und fachbereichsübergreifend zu kommunizieren.