gms | German Medical Science

63. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (GMDS)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

02. - 06.09.2018, Osnabrück

Kritische Studienverläufe mit Datawarehouse erkennen

Meeting Abstract

  • Michael Krohn - Medizinische Hochschule Hannover, Studiendekanat, Bereich Studium und Prüfung, Hannover, Deutschland
  • Gusal Pracht - Medizinische Hochschule Hannover, Zentrum für Informationsmanagement (ZIMt), Abteilung Systeme für Forschung und Lehre, Hannover, Deutschland
  • Sonja Teppner - Medizinische Hochschule Hannover, Zentrum für Informationsmanagement (ZIMt), Abteilung Systeme für Forschung und Lehre, Hannover, Deutschland
  • Jens Müller - Medizinische Hochschule Hannover, Studiendekanat, Bereich Studium und Prüfung, Hannover, Deutschland
  • Ilja Melnik - Fakultät III – Medien, Information und Design der Hochschule Hannover, Hannover, Deutschland
  • Svetlana Gerbel - Medizinische Hochschule Hannover, Zentrum für Informationsmanagement (ZIMt), Abteilung Systeme für Forschung und Lehre, Hannover, Deutschland

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. 63. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS). Osnabrück, 02.-06.09.2018. Düsseldorf: German Medical Science GMS Publishing House; 2018. DocAbstr. 194

doi: 10.3205/18gmds136, urn:nbn:de:0183-18gmds1369

Veröffentlicht: 27. August 2018

© 2018 Krohn et al.
Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). Lizenz-Angaben siehe http://creativecommons.org/licenses/by/4.0/.


Gliederung

Text

Einleitung: Die Medizinische Hochschule Hannover (MHH) gehört zu den forschungsstärksten Hochschuleinrichtungen [1] und ist Spitzenreiter hinsichtlich der Publikationsintensität in der Universitätsmedizin in Deutschland [2]. In diesem kompetitiven Umfeld aus Forschung und Krankenversorgung muss sich die Lehre und akademische Ausbildung als dritte Säule der Hochschule durch eine konsequente Weiterentwicklung des Studiums behaupten. Deshalb wurde zum Studienjahr 2005/06 der Modellstudiengang Medizin „HannibaL“ (Hannoversche integrierte berufsorientierte adaptive Lehre) eingeführt.

Alle Prüfungen des Modellstudiengangs in den ersten beiden Studienjahren sind „äquivalent“ zum Ersten Abschnitt der Ärztlichen Prüfung („M1“) als erstes Teil des Staatsexamens und ersetzen diese Staatsprüfung. Daher können Studierende auch nach dem zweiten Jahr weiterstudieren, ohne eine M1-Äquivalenz erworben zu haben.

Beim Aufbau eines studienverlaufsbezogenen Risikomanagements besteht das Projektziel zunächst in der datengestützten Identifikation kritischer Studienverläufe innerhalb der ersten drei Studienjahre, die zu verlängerten Studienzeiten bis hin zum Abbruch führen. Als Datenbasis für die Analyse der Studienverläufe sollen die beiden Campussysteme der MHH FactScience und HIS dienen.

Die wissenschaftlichen Fragestellungen des Gesamtprojekts lauten:

  • Lassen sich aus den analysierten Studienverläufen kritische Studiensituationen ableiten?
  • Lassen sich aus diesen Studiensituationen kritische Studienverläufe aggregieren, die spezifischen Studierendentypen zugeordnet werden können?
  • Welche Präventivmaßnahmen können für identifizierte Risikogruppen in ein „Frühwarnsystem“ integriert werden?

Methode: Zur Zusammenführung und Aggregation der heterogenen Datenbestände aus verschiedenen Datenquellen wird ein Data Warehouse (DW) basierender Ansatz verwendet. Während des Integrationsprozesses wird darüber hinaus die Qualitätskontrolle (mittels Plausibilitätschecks) durchgeführt.

Das DW-Repositorium basiert auf dem Microsoft (MS) SQL Server Datenbank-managementsystem. MS Integration Services werden für den ETL-Prozess eingesetzt. Für die Analyse von Daten stehen MS Analysis Services sowie Reporting Services für das Berichtswesen sowie die Data Mining-Tools Knime, Weka und Python zur Verfügung. Das DW beinhaltet Schnittstellen zu den Standardauswertetools bzw. statistischen Programmen (MS Excel, SPSS, R etc.).

Ergebnisse: Insgesamt 1.408 abgeschlossene Studienverläufe (erfolgreiche und nicht erfolgreiche) wurden danach ausgewertet, in welchem Zeitraum die M1-Äquivalenz erreicht wurde. Die Studierenden konnten dabei drei unterschiedlichen Risikogruppen zugeordnet werden (1: M1-Äquivalenz innerhalb der Regelstudienzeit erreicht, 2: M1-Äquivalenz nach über 3 Jahren erreicht, 3: M1-Äquivalenz nicht erreicht).

Bei der weiteren Analyse der Studiendaten fielen z. T. starke Unterschiede zwischen den verschiedenen Gruppen auf. So weisen Studierende, die überdurchschnittlich lange für den Abschluss der M1-Äquivalenz benötigen, eine deutlich höhere Quote an Prüfungswiederholungen auf.

Auch Faktoren wie die Art der Zulassung sowie das Alter zum Zeitpunkt der Immatrikulation spielen beim Studienerfolg eine Rolle. Ziel im weiteren Projektverlauf ist es, ein Modell zu generieren, welches diese Muster frühzeitig erkennt.

Die Struktur des Modellstudienganges erlaubt eine solche Auswertung auch für gestufte Studiengänge, wenn über die ECTS-Punkte studienverlaufsbezogene Zielvorgaben definiert sind.

Diskussion: Ein DW-basierter Ansatz eignet sich gut für die Konsolidierung und Analyse von Daten aus heterogenen Systemen und hat sich zur Sekundärdatennutzung im klinischen Bereich bereits gut etabliert [3], [4].

Zur Musterkennung in den Studienverläufen werden Methoden des überwachten maschinellen Lernens (Klassifikatoren und Assoziationsregeln) angewendet [5], [6]. Basierend auf diesen ML-Modellen wird ein Dashboard mit generischem Berichtswesen implementiert.

Aus diesen Ergebnissen können in einem Diskussionsprozess mit den relevanten Stakeholdern weitere Schritte beim Aufbau eines Frühwarnsystems und entsprechender Präventivmaßnahmen abgeleitet werden, die auch die möglichen Änderungen im Curriculum thematisieren.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass kein Ethikvotum erforderlich ist.


Literatur

1.
Deutsche Forschungsgemeinschaft. Förderatlas 2015: Kennzahlen zur öffentlich finanzierten Forschung in Deutschland. Weinheim: Wiley-VCH; 2015 [zuletzt zugegriffen am 06.04.2018]. Available from: http://www.dfg.de/download/pdf/dfg_im_profil/zahlen_fakten/foerderatlas/2015/dfg_foerderatlas_2015.pdf Externer Link
2.
Expertenkommission Forschung und Innovation (EFI), Hrsg. Gutachten zu Forschung, Innovation und technologischer Leistungsfähigkeit Deutschlands 2014. Berlin: EFI; 2014 [zuletzt zugegriffen am 06.04.2018]. Available from: https://www.e-fi.de/fileadmin/Gutachten_2014/EFI_Gutachten_2014.pdf Externer Link
3.
Tolxdorff T, Puppe F. Klinisches Data Warehouse. Inform Spektrum. 2016;39(3):233–237.
4.
Gerbel S, Laser H, Haarbrandt B. Das Klinische Data Warehouse der Medizinischen Hochschule Hannover. Forum der Medizin Dokumentation und Medizin Informatik. 2014;16(2):49-52.
5.
Hinkelmann M, Maucher J, Seidl T. Softwaregestützte Studienverlaufsanalyse zur frühzeitigen gezielten Studienberatung. Die Hochschullehre. 2016;2.
6.
Asif R, et al. Analyzing undergraduate students' performance using educational data mining. Computers & Education. 2017 Oct;113:177-194.