Abschlussvortrag: Entwicklung einer Self-Service-Lösung zur Erstellung von KI-Modellen zur Vorhersage von medizinischen Komplikationen

Betreuer: Prof. Dr. Stefan Benzschawel

Kurfassung:
Die Einsatzmöglichkeiten künstlicher Intelligenz werden aufgrund des stetigen technischen Fortschritts und der zunehmenden Digitalisierung immer vielfältiger. So auch im Gesundheitswesen: Bereits heute werden im Rahmen des Produkts clinalytix® Medical AI KI-Modelle zur Vorhersage von Sepsis, Delirium und dem akuten Nierenversagen während Krankenhausaufenthalten verwendet. Neben diesen Anwendungsfällen existieren aber viele weitere, wie beispielsweise der Dekubitus, welche noch nicht betrachtet werden. In dieser Arbeit wurde eine Self-Service-Lösung in Form einer Erweiterung von clinalytix® Medical AI konzeptioniert und entwickelt, mit welchem die Zielgruppe der Mediziner in der Lage ist, eigenständig und nach eigenen Interessen KI-Modelle zur Vorhersage eigener Anwendungsfälle zu entwickeln. So soll einer Vielzahl an weiteren Komplikationen entgegengewirkt werden können.

Das in dieser Arbeit umgesetzte Konzept sieht ein Tool vor, welches die hohe Komplexität der Modellerstellung abschirmen soll, um von der vorgesehenen Zielgruppe, von der kein fundiertes Fachwissen aus dem Bereich der Informatik er-
wartet werden kann, verwendet werden zu können. Diese Abschirmung wird mittels eines hohen Automatisierungsgrads und einer grafischen Nutzeroberfläche erreicht.

Zur Modellerstellung werden zum Anwendungsfall gehörige ICD-10-Codes, verwendete Datenquellen, ein Modellverhalten und Kriterien zur Evaluierung des Modells vom Nutzer ausgewählt. Anschließend werden für die Vorhersage kritische Daten, hier als Leaking Features bezeichnet, extrahiert, da diese als Folge der Komplikation auftreten und daher nur zur Detektion verwendet werden könnten. Das trainierte Modell kann dann vom Nutzer bezüglich verschiedener Aspekte evaluiert werden. Dazu zählt eine Evaluation für jede Abteilung um feststellen zu können, in welchen Abteilungen das Modell verwendet werden kann. Weiterhin können die verwendeten Datenquellen analysiert werden, um zur Erstellung unentbehrliche Daten zu identifizieren. Darüber hinaus sind Mechanismen implementiert, um das Modellverhalten weiter anzupassen. So kann das für den Anwender passendste Verhältnis zwischen TPR und FPR eingestellt werden, um ein Modell zu erstellen, welches eher weniger positive Fälle verpasst, oder ein Modell, welches eher weniger falsche Alarme auslöst. Die Funktionalität wird am Beispiel des Anwendungsfalls Dekubitus, einer Hauterkrankung aus dem Bereich der Pflege, dargestellt, indem ein Modell zur Vorhersage mit dem in dieser Arbeit entwickelten Tool erstellt wird.