Elektronische Patientenakte, diagnostische Werte, Studienkohorten: Datenmanagement ist zu einem zentralen Bestandteil im Gesundheitswesen geworden – sowohl in der Diagnostik und Therapie als auch in der medizinischen Forschung.
Um Notfalleinsätze gezielter vorzubereiten und Patienten nach einem schweren Verkehrsunfall schneller und besser zu helfen, wollen Forscher Auto-Unfalldaten in eine digitale Rettungskette einbinden.
Wissenschaftliche Datenbanken sind für die Forschung unverzichtbar. Doch die Einführung hoher Nutzungsgebühren und der Ausstieg wichtiger Förderer gefährden den Zugang, warnen Experten.
Höhere Übertragungsrate, größere Datenkapazität, geringere Latenzzeiten: Moderne Wi-Fi-7-Netzwerke können im Krankenhaus zu schnellerer Diagnostik und reibungslosen Abläufen beitragen.
Maschinelles Lernen (ML) kann dabei helfen, Labordaten effizient und präzise auszuwerten, um fundierte medizinische Entscheidungen zu treffen. Prof. Dr. Frank Klawonn zeigte in einem Vortrag auf der Medica in Düsseldorf verschiedene Möglichkeiten von ML auf, die zu Zeitersparnis und zur Steigerung der Produktivität führen können.
Datenaustausch in Echtzeit, flächendeckende Verfügbarkeit von Fachwissen: Mit Techniken der Telemedizin baut das Uniklinikum Leipzig die intensivmedizinische Versorgung in der Region aus.
Generative KI zeigt zwar immenses Potenzial für das Gesundheitswesen, doch die Zuverlässigkeit der großen Sprachmodelle leidet unter einem ernsten Problem: LLMs denken einfach nicht wie Ärzte, erklärte ein Experte für Datenwissenschaften auf dem Kongress Emerging Technologies in Medicine (ETIM) in Essen. Dieser potenziell folgenschwere Fehler könne jedoch behoben werden.
Die Medizinische Fakultät der Otto-von-Guericke-Universität Magdeburg freut sich, die Berufung von Prof. Dr. Julian Varghese auf die W3-Professur für Medical Data Science bekannt zu geben.
Künstliche Intelligenz hält zunehmend Einzug im Gesundheitswesen. Zu klären ist aber auch, wie sie optimal und sicher eingesetzt werden kann. Eine neue Studie gibt wichtige Anhaltspunkte.
Digitale medizinische Zwillinge können bei Diagnose und Behandlung großen Mehrwert liefern, doch der Schutz sensibler Patientendaten ist eine Herausforderung. Ein neuer Ansatz soll Abhilfe schaffen.
KI wird das Gesundheitswesen grundlegend verändern. etwa bei der Entlastung von medizinischem Personal und für effizientere Abläufe – doch ohne Menschen geht es nicht, machen Experten deutlich.
Software-Experten entwickeln einen Dienst, der medizinische Daten mithilfe großer Sprachmodelle (LLM) automatisiert strukturiert. Das soll die Versorgung verbessern und Personal entlasten.
Eine Kooperation zwischen dem Uniklinikum Freiburg und Dedalus HealthCare soll KI-Anwendungen noch tiefer in radiologische Abläufe integrieren und Daten besser für die Forschung nutzbar machen.
Können große Sprachmodelle (LLMs) dabei helfen, radiologische Befunde zu strukturieren, ohne dabei den Schutz von Patientendaten zu gefährden? Eine neue Studie liefert vielversprechende Ergebnisse.
Das Gerätedatenmodul für Rettungskräfte kann künftig automatisiert relevante Daten einer Reanimation auswerten. Das soll die Notfallversorgung bei Herz-Kreislauf-Stillstand verbessern.
Ausgefeilte medizinische KI-Modelle liefern mittlerweile beeindruckende Ergebnisse – allerdings häufig auf Kosten einer miserablen Umweltbilanz. Auf der Medica 2024 betrachteten Experten die ökologischen Auswirkungen von Deep-Learning-Algorithmen und schlugen einen nachhaltigeren Ansatz vor.
Ein internationales Netzwerk soll helfen, Infektionskrankheiten und Pandemien besser in den Griff zu bekommen. Auf deutscher Seite ist das Leibniz-Institut DSMZ Teil des „Pathogen Data Network“.
Medizinische KI und Interoperabilität jenseits von Datensilos – so lautet der Schlüssel für eine zukunftsfähige Gesundheitsversorgung, zeigten sich Experten auf einem Fachforum überzeugt.
Auf der Medica 2024 zeigen Forscher, wie der Mobilfunkstandard 6G für eine bessere Patientenversorgung sorgen kann – durch die Aggregation von Gesundheitsdaten in einem digitalen Zwilling.
Reinhard Heckel, Professor für Maschinelles Lernen an der Technischen Universität München, spricht über die Bedeutung von Daten für Large Language Models und bildgebende Verfahren in der Medizin.
