Big Data-Analyse für medizinische Anwendungen

„Big Data“ in der Klinik: Daten-Auswertung mit neuen Software-Werkzeugen

"In der klinischen Medizin fallen große Mengen von Daten insbesondere bei Diagnose und Therapie von Patienten an. Diese „Big Data“ bergen Wissensschätze, die zum Wohle des einzelnen Behandelten und zur Effizienzsteigerung des Versorgungssystems beitragen können..."

FE&E-Kompetenzen:

Methoden zur Analyse großer Datenmengen im medizinischen bzw. gerätespezifischen Kontext von Diagnose- und Therapieverfahren:

  • betreffend Patientendaten samt Umwandlung natürlich-sprachlicher Textinhalte in formale Repräsentationen (Textverstehen) und die Auswertung von vorverarbeiteten Bilddaten (Bildverstehen) einschließlich der Kombination von Patientenstammdaten und Sensor- bzw. Labordaten mit Daten aus Text- und Bildverstehen
  • auf Basis einer klinisch und IT-technisch wohlverstandenen Kopie des KIS-Systems des UKSH und in unmittelbar gegebener Kooperation mit den am operativen KIS-System arbeitenden Klinikern
  • zur Erkennung kausaler Zusammenhänge („Regelkreise“) durch algorithmische Lernverfahren (Data Mining)
  • für die Entwicklung von medizinische Entscheidungsunterstützungssystemen, Gerätesystemen und allgemeinen Anwendungsprogrammen.

FE&E-Leistungsprofil:

  • Klinisch fundierte Informationsanalyse und Entwicklung formaler Anfragen
  • Datenintegration: Integration heterogener Daten zur einheitlichen und präzisen Abbildung ggf verteilter und proprietärer Ressourcen sowie Adaption von Diensten verschiedener Klinikplattformen z.B. durch ISO-11179-konforme Beschreibung relevanter Datenelemente (Geräte-/Medikations-/Labordaten)
  • Datenanalyse: Auswertung von medizinischen Daten und Datenströmen mit statistischen Methoden
  • Data-Mining: Entscheidungsunterstützung durch Lernverfahren, automatisierte Herleitung von Klassifikatoren samt Clusteranalyse, Mustererkennung und Complex Event Detection (Maschinelles Lernen)

Leistungsversprechen:

Auftragsforschung und gezielte datenanalytische Dienstleistungen

Erfahrungen, Projektbeispiele:

Optique: Optimized Query Answering w.r.t. First-Order Theories (EU-FP7):

  • Semantic end-to-end connection between users and data sources
  • Enabling users to rapidly formulate intuitive queries using familiar vocabularies and ontologies
  • Seamlessly integrating data spread across multiple distributed data sources, including streaming sources
  • Exploiting massive parallelism for scalability far beyond traditional RDBMSs and thus reducing the turnaround time for information requests to minutes rather than days.

PANOPTESEC: Dynamic Risk Approaches for Automated Cyber Defense (EU-FP7)

  • Deliver a beyond-state-of-the-art prototype of a cyber defense decision support system, demonstrating a risk based approach to automated cyber defense that accounts for the dynamic nature of information and communications technologies (ICT) and the constantly evolving capabilities of cyber attackers.

SW-FPGA-DB: Hardwarebeschleunigung von Semantic Web Datenbanken durch dynamisch rekonfigurierbare FPGAs (DFG)

  • Entwicklung eines Hardware-/Softwaresystems, welches zeitintensive Datenbank-Retrieval-Operationen auf einen programmierbaren Logikbaustein (FPGA, Field Programmable Gate Array) auslagert.
  • Die für eine Hardwarebeschleunigung vorgesehenen kostenintensiven Operationen umfassen dabei sowohl die einzelnen Schritte der Indexerstellung als auch die eigentliche Anfrageverarbeitung für Semantic Web Datenbanken. Die Festlegung der bei der Anfrageverarbeitung auf das FPGA auszulagernden Funktionen erfolgt zur Laufzeit.
  • Um je nach Anfrage einen optimalen Hardwarebeschleuniger bereitstellen zu können, werden mittels partieller dynamischer Rekonfiguration des FPGAs zur Laufzeit entsprechende Datenpfade aus Grundelementen aufgebaut.

Ansprechpartner:

Prof. Dr. Ralf Möller
Institut für Informationssysteme

für IKP-Projekte:
Dr. Raimund Mildner
E-Mail:
Mobil: 0171 / 5309668