Die von unseren Teammitgliedern vorgestellten Konferenzbeiträge, Kurzvorträge, Workshops und Poster deckten ein breites Spektrum an Themen ab:
Evidence-Grounded LLM Validation of MIMI-IV ICD Labels
Wie können wir sicherstellen, dass die Evaluation klinischer NLP-Modelle tatsächlich die in medizinischen Berichten dokumentierten Patientenfakten widerspiegelt und nicht administrative Artefakte?
Eine große Herausforderung bei der automatisierten ICD-Kodierung bleibt das Vorhandensein erheblicher Label-Verzerrungen in weit verbreiteten Benchmarks wie MIMIC, wo viele der erfassten Diagnosecodes in den Entlassungsberichten keine textuelle Grundlage haben, was zu einer verfälschten Modelltrainierung und verzerrten Leistungsschätzungen führt.
Unser Kollege Ahmad Abu Dayeh stellte einen innovativen Ansatz zur Bewältigung dieser Herausforderung vor, bei dem große Sprachmodelle (LLMs) genutzt werden, um die Beschriftungen von Datensätzen systematisch zu überprüfen und zu verfeinern.
Weitere Einzelheiten finden Sie im entsprechenden Konferenzbeitrag: https://ebooks.iospress.nl/doi/10.3233/SHTI260328
Distribution Shift Analysis in Generalizable Modelling: Intensive Care Time-Series Data
Gibt es eine Möglichkeit, die Leistungsfähigkeit medizinischer KI anhand interner und externer Validierungsdatensätze zu kontextualisieren?
Eine große Herausforderung beim Einsatz medizinischer KI bleibt der Leistungsabfall in Szenarien, in denen die KI von Klinik zu Klinik eingesetzt wird. Dies ist beispielsweise auf Unterschiede in der Patientendemografie, bei den Messgeräten und in den klinischen Praktiken zurückzuführen, die sich in einer Verschiebung der Verteilung äußern.
Unsere Kollegin Mayra Elwes stellte in ihrem Vortrag zum Thema „Distribution Shift Analysis in Generalizable Modelling: Intensive Care Time-Series Data“ erste Ansätze für mögliche Strategien zur Bewertung der Generalisierbarkeit vor, bei denen Maße für die Verteilungsverschiebung einbezogen werden.
Weitere Einzelheiten finden Sie im entsprechenden Konferenzbeitrag: https://ebooks.iospress.nl/doi/10.3233/SHTI260163
Showcasing PADME as a Distributed Analytics Platform in a Real-world Healthcare Setting
Wie können wir fortschrittliche Analysen von Gesundheitsdaten nahtlos auf unabhängige klinische Einrichtungen ausweiten und gleichzeitig die Patientendaten hinter lokalen Firewalls vollständig schützen?
Eine große Herausforderung bei der Einführung verteilter medizinischer KI besteht nach wie vor darin, nachzuweisen, dass dezentrale Architekturen über isolierte, theoretische Proof-of-Concepts hinausgehen und die praktischen, administrativen und multimodalen Datenkomplexitäten realer klinischer Umgebungen reibungslos bewältigen können.
Unser Kollege Mehrshad Jaberansary stellte unsere PADME-Plattform in einer Live-Demonstration vor, um zu zeigen, wie sichere Analysepipelines dezentrale Krankenhäuser erreichen und Erkenntnisse aus nativen Daten gewinnen können, ohne dass diese jemals ihren Ursprungsort verlassen.
Implementing a Governance Framework for Federated Learning
Wie können wir die Kluft zwischen der kooperativen, institutionenübergreifenden KI-Forschung und den strengen, sicherheitsrelevanten Compliance-Hürden einzelner Krankenhausnetzwerke nahtlos überbrücken?
Eine große Herausforderung beim Einsatz von Federated Learning im Gesundheitswesen bleibt dessen begrenzte praktische Anwendbarkeit innerhalb der hochsicheren Krankenhausumgebung, was in erster Linie auf die komplexen regulatorischen und administrativen Hürden bei der Verwaltung der sekundären Datennutzung über verschiedene klinische Einrichtungen hinweg zurückzuführen ist, ohne dabei strukturelle Sicherheitsprotokolle zu verletzen.
Unsere Kollegin Ana Grönke stellte das operative Governance-Framework vor, um zu untersuchen, wie es angepasst werden kann, um die KI-gestützte Sekundärnutzung klinischer Routinedaten in einem föderierten Umfeld reibungslos zu ermöglichen.
Weitere Einzelheiten finden Sie im entsprechenden Konferenzbeitrag: https://doi.org/10.3233/SHTI260418
Traceability in Federated Learning: A Scoping Review
Wie können wir Transparenz bei der kollaborativen KI im Gesundheitswesen erreichen, wenn die zugrunde liegenden Daten privat und dezentralisiert bleiben müssen?
Eine große Herausforderung beim Federated Learning (FL) im Gesundheitswesen ist nach wie vor die Schwierigkeit, die Rückverfolgbarkeit als einen Aspekt der Transparenz zu gewährleisten, da die dezentrale Natur des Federated Learning die Überwachung, Überprüfung und Rückverfolgung von Prozessen, Modellen, Nutzern oder Daten erschwert.
Unser Kollege Kim Tang stellte erste Ergebnisse der Übersichtsstudie vor, mit der der aktuelle Stand der Herausforderungen und Lösungen hinsichtlich der Rückverfolgbarkeit in Umgebungen des Federated Learning erfasst werden soll.
Weitere Einzelheiten finden Sie im entsprechenden Konferenzbeitrag: https://ebooks.iospress.nl/doi/10.3233/SHTI260281
