Die Nierentransplantation (NTx) ist die häufigste Organtransplantation in Deutschland. Ein Risiko nach einer NTx besteht in der Abstoßung des transplantierten Organs. Im Screen-Reject-Projekt wird an der Hochschule Hannover basierend auf einem Klinischen Data Warehouse (KDWH) ein Expert:innensystem entwickelt, welches unter Einbezug maschineller Vorhersagemodelle auf Basis in der klinischen Routine erfasster Befunddaten bei der Abstoßungsdiagnostik unterstützen soll. Die Befunddaten der Kohorte sind in zeitlicher Hinsicht i.d.R. nicht vergleichbar, da sie anlassbezogen und nicht einem Studienprotokoll folgend erhoben wurden. So variieren z.B. die zeitlichen Abstände zwischen den Erhebungszeitpunkten oder Laborwertverläufe enthalten fehlende Werte. Ziel ist die Sicherstellung zeitlicher Vergleichbarkeit durch eine geeignete, in Python implementierte Datenvorverarbeitungsroutine. Ausgangslage sind im KDWH gespeicherte ca. 900.000 Datensätze von 141 Patient:innen. Datenquellen sind das Enterprise Clinical Research Data Warehouse und klinische Primärsysteme der Medizinischen Hochschule Hannover (MHH). Die betrachteten Zeitreihenddaten sind intervallskalierte Messwerte wie z.B. Laborwerte, die in ggf. wechselnden Zeitabständen aufgezeichnet wurden, sowie Ereignisaufzeichnungen (z.B. NTx, Biopsie oder Abstoßung). Im konkreten Projekt soll eine Harmonisierung der Laborwertverläufe durch intervallweise Berechnung repräsentativer Laborwerte erreicht werden. Die Laborwerte aller Patient:innen werden in gleichgroße künstliche Zeitintervalle unterteilt, wobei das Zeitfenster einen definierbaren, relativ betrachteten Zeitraum vor einer Biopsie umfasst. Pro Intervall wird aus den enthaltenen Laborwerten ein repräsentativer Mittelwert berechnet. Außerdem werden lineare und polynomiale Regressionen durchgeführt, um die Laborwertverlaufssteigung zu ermitteln. Zur Evaluation wird ein Random-Forest-Modell mit einem Datensatz mit harmonisierten Laborwertverläufen sowie einem Vergleichsdatensatz, der den zeitlichen Aspekt nicht berücksichtigt, trainiert. Die Güte der Vorhersagen über das Vorliegen einer Abstoßung wird verglichen. In der Evaluation werden mit dem Datensatz mit harmonisierten Laborwertverläufen eine höhere Sensitivität (95,8%) sowie Spezifität (72,7%) als mit dem Vergleichsdatensatz (95,2% bzw. 64,3%) erreicht. Vorhersagen einer Nierentransplantatabstoßung mittels des hier verwendeten Random-Forest-Modells sind bei Verwendung der Forschungsdaten des Screen-Reject-Projekts präziser, wenn der zeitliche Aspekt von Laborwertverläufen berücksichtigt wird.

Für die erfolgreiche und qualitativ hochwertige Entwicklung von auf maschinellen Lernverfahren beruhenden KI-Anwendungen ist eine zielgerichtete Datenvorverarbeitung (engl. Preprocessing) notwendig. Diese Arbeit untersucht die Relevanz und Methoden des Preprocessing zur Nutzung von Routinedaten und insbesondere Verlaufsdaten der Patientenversorgung für maschinelle Lernverfahren in der Medizin. Neben allgemeinen Methoden zur Datenaufbereitung wie semantischen Interoperabilitätsstandards wurden eine kontextsensitive Ereignis-Annotation, eine Zeitreihenharmonisierung von insbesondere Laborwertverläufen sowie ein klinisches Datawarehouse (CDWH) aggregierter und harmonisierter Daten von 147 Patient:innen realisiert. Die Analyse dieser Daten unter Anwendung der Zeitreihenharmonisierung zeigte, dass die Berücksichtigung der zeitlichen Dynamik ausgewählter Laborwerte die Vorhersagegenauigkeit für Nierenabstoßungen signifikant verbesserte. Diese Arbeit unterstreicht die Bedeutung kontextsensitiver Datenvorverarbeitung für die effektive Implementierung von Machine-Learning-Algorithmen in der medizinischen Forschung.

Umweltbedingte Gesundheitsrisiken, welche mit Fortschreiten des Klimawandels steigen werden, finden in Pflegeprozessen stationärer Versorgungseinrichtungen nur geringe Berücksichtigung. Dabei gibt es einige Gründe Umweltrisiken, wie z.B. Luftschadstoffe, in Versorgungseinrichtungen zu thematisieren. Es stellt sich die Frage, welche Erfordernisse gegeben sein müssen, um eine Integration des Umweltmonitorings in Versorgungseinrichtungen zu ermöglichen. In einem partizipativ angelegten Ansatz wurden über Anforderungsanalysen, Prototyping und die Evaluation eines Demonstrators Erkenntnisse zum Integration des Umweltmonitorings in Versorgungseinrichtungen gesammelt. Dabei wurde der Bedarf zur Förderung der Umweltgesundheitskompetenz bei Pflegefachpersonen bestätigt und der Bedarf zur Klärung der Verantwortlichkeiten zwischen Pflegefachpersonen und Ärzt*innen identifiziert.