zum Hauptinhalt wechseln zum Hauptmenü wechseln zum Fußbereich wechseln Universität Bielefeld Play Search
  • Medizinische Fakul­tät OWL

    Grafik vom Innovationszentrum Campus Bielefeld
    © Universität Bielefeld

KI-basierte Assistenz für die Diagnose von Vorhofflimmern - Forschungslücken durch Transdisziplinarität schließen

Zum Hauptinhalt der Sektion wechseln

Prof. Dr.-Ing. Britta Wrede

Professur für Medizinische Assistenzsysteme

Alissa Müller

Wissenschaftliche Mitarbeiterin

Projektlaufzeit

15.11.2022 - heute

Kooperationspartner

Neurologie EvKB + FIND-AF2

Universität Bielefeld
© Universität Bielefeld

Die Diagnose von intermittierendem Vorhofflimmern (VHF) stellt häufig einen langwierigen Prozess dar, da die Herzrhythmusstörung nur episodisch auf dem EKG erkennbar auftritt. Je nach Schwere des Verdachts, bekommen Patient*innen invasiv einen kontinuierlich überwachenden Monitor oder werden wiederholt Stunden bis Tage über eine tragbare, nicht-invasive Lösung überwacht, die im Alltag oft als störend empfunden wird.

Ein verbesserter Diagnoseprozess könnte dazu führen, dass weniger Schlaganfall-Patient*innen einen weiteren Schlaganfall erleiden, da die beiden Erkrankungen häufig gemeinsam auftreten. Deshalb kooperieren wir mit der Universitätsklinik für Neurologie am Evangelischen Klinikum Bethel, sowie der FIND-AF 2 Studie.

Es gibt bereits erste Ansätze, welche Deep Learning nutzen, um in unauffälligen EKGs Anzeichen von Vorhofflimmern zu erkennen. In diesem Projekt möchten wir auf diesen Ansätzen aufbauen, die Zeit bis zur Diagnose reduzieren und den Aufwand auf die Routineuntersuchung in der Klinik begrenzen.

Das Projekt verfolgt eine transdisziplinare Sichtweise, mithilfe derer die Basis für ein zuverlässiges, verantwortungsbewusstes KI-System entwickelt werden soll. Dabei werden unter anderem die folgenden Fragen verfolgt:

  • Können medizinisch begründete Einschränkungen des Systems zur Verbesserung seiner Leistung führen?
  • Wie können Ärzt*Innen die Ergebnisse des Systems verstehen und hinterfragen?
  • Wie kann man Patient*innen die Ergebnisse des Systems erklären?
  • Wie hoch ist die Zuverlässigkeit des Systems für verschiedene Bevölkerungsgruppen?
  • Wie kann man das Risiko für Patient*innen durch eine KI-gestützte Diagnose minimieren?
Zum Seitenanfang