Klinische Daten und Big Data Analysen
Das Hauptziel des Projekts ist die Entwicklung eines auf maschinellem Lernen basierenden Systems, das in der Lage ist, die wahrscheinlichen Ursachen von Hörverlust auf der Grundlage einer Reihe von Messungen für einen bestimmten Patienten abzuleiten. Die Messungen können klinisch oder durch Selbsttests durchgeführt werden. Das geplante maschinelle Lernsystem evaluiert die möglicherweise vielfältigen Ursachen von Hörverlust in einer für medizinische Experten interpretierbaren Weise und kann mit Lärm und unvollständigen Daten umgehen. Das System zielt darauf ab aus diesen Daten zu lernen, wie die Ursachen optimal abgeleitet werden können. Um diese Ziele zu erreichen, strebt das Projekt die Entwicklung eines Bayes’schen Netzwerks an, das auf normalisierte Datenrepräsentationen der sehr unterschiedlichen medizinischen Messungen anwendbar ist. Die Daten jeder spezifischen Messung werden in einem Intervall von „gesund“ bis „maximal pathologisch“ dargestellt, und es werden die Wechselwirkungen der verschiedenen Ursachen von Hörverlust modelliert. Die vom Bayes’schen Netz hergeleiteten Ursachen werden zur Vorhersage optimaler Behandlungen und ihrer wahrscheinlichen Ergebnisse verwendet.
Wir werden einen wachsenden, großen Datensatz erstellen, der sich zur Ableitung und Bewertung von Methoden eignet. Aus diesen Daten werden wir Datendarstellungen, Lern-, Inferenz- und Empfehlungsalgorithmen entwickeln, die auch für die Anwendung innerhalb der virtuellen Hörklinik geeignet sein sollen. Wir werden im Rahmen von openEHR eine Datenstruktur mit Archetypen entwickeln, die eine Zusammenarbeit und Datenzusammenführung zwischen verschiedenen Zentren ermöglicht.