Neue Technologien werden in den nächsten Jahren die Arbeit in der stationären Versorgung fundamental verändern. Wir forschen daher aktiv im Bereich der künstlichen Intelligenz für klinische Prozesse, entwickeln eigene Modelle, die wir aus den Echtzeitdaten rekonstruieren, messen und vorhersagen – und prüfen sie gemeinsam mit Kliniken und Forschungspartnern an realen Daten.
Ein Teil dieser Arbeit entsteht in Kooperationen: Wir stellen Daten und Infrastruktur bereit, betreuen Bachelor-, Master- und Doktorarbeiten und arbeiten mit internationalen Forschungsnetzwerken zusammen. Die folgenden Arbeiten sind daraus hervorgegangen oder ordnen das Feld wissenschaftlich ein.
Grabow, S.
Praxisbericht aus dem LMU Klinikum München: Ein digitaler Assistent für das OP-Management reduziert Verzögerungen im OP-Betrieb – und zeigt, dass es dabei vor allem auf die Menschen im OP-Alltag ankommt.
Giese, J., Palan, N.
Wie das UKSH eine digital gestützte Prozess- und Patientensteuerung im OP schrittweise einführt – von der Ausgangslage bis zum laufenden Betrieb.
Giese, J.
Überblick zum Einsatz digitaler Assistenzsysteme im OP-Alltag und zu den Anforderungen, die daraus für Organisation und Team entstehen.
Hort, A. · TH Rosenheim, Informatik
Masterarbeit zur datenbasierten Analyse und Optimierung des perioperativen Prozesses am LMU Klinikum Großhadern.
Entstanden in Kooperation mit sqior medical GmbH
Kloyer, M. · University of Oslo, Health Management and Health Economics
Masterarbeit mit qualitativer Analyse der Veränderungsprozesse bei der Einführung eines digitalen Assistenten im OP-Management eines Münchner Universitätsklinikums.
Entstanden in Kooperation mit sqior medical GmbH
Szabó, A.K., Flemming, S. · Die Chirurgie
Übersichtsarbeit zur Patientensicherheit im Operationssaal.
Zur PublikationRamamurthi, A., Neupane, B., Deshpande, P., et al. · JAMA Surgery
Retrospektive Studie mit mehr als 125.000 elektiven Eingriffen: Wie genau sagen große Sprachmodelle die OP-Dauer aus unstrukturierten klinischen Daten vorher – verglichen mit etablierten Schätzverfahren?
Zur PublikationPark, J., Roh, G., Kim, K., Kim, H. · Journal of Medical Systems
Fachbereichsspezifische Random-Forest-Modelle zur Vorhersage von OP-Dauern, verglichen mit weiteren Verfahren wie XGBoost, LightGBM und CatBoost.
Zur PublikationYu, H., Yuan, Y., Zhang, Y., et al. · BMC Medical Informatics and Decision Making
Deskriptive Analyse von Anästhesie- und Operationszeiten bei Notfalleingriffen als Grundlage für OP-Kennzahlen.
Zur PublikationRamamurthi, A., Neupane, B., Deshpande, P., et al. · Surgery
Entwicklung und Validierung eines KI-Systems zur Vorhersage von OP-Dauern.
Zur PublikationSie haben einen Projektvorschlag, suchen einen Forschungsverbundpartner oder benötigen Zugriff auf unsere klinische Prozess-Datenbank oder unsere KI-Modelle?