gms | German Medical Science

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

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

08. - 11.09.2019, Dortmund

Machine Learning/Neuronal Networks und innovative Technologien für die Arbeitsunterstützung und Qualitätssicherung in der Krebsregistrierung

Meeting Abstract

Suche in Medline nach

  • Philipp Kachel - Krebsregister Rheinland-Pfalz gGmbH, Mainz, Germany
  • Tobias Hartz - Klinisches Krebsregister Niedersachsen, Hannover, Germany

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. 64. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS). Dortmund, 08.-11.09.2019. Düsseldorf: German Medical Science GMS Publishing House; 2019. DocAbstr. 314

doi: 10.3205/19gmds198, urn:nbn:de:0183-19gmds1983

Veröffentlicht: 6. September 2019

© 2019 Kachel 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 Aufbauphase der klinischen Krebsregister nach KFRG ist nahezu abgeschlossen und in jedem Bundesland werden stetig mehr Leistungserbringer über Schnittstellen an die Krebsregister angeschlossen.

Die damit einhergehende Flut von Daten in Form von Meldungen definiert durch den onkologischen Basisdatensatz und strukturiert nach ADT GEKID muss entsprechend den definierten Bearbeitungszeiten, also innerhalb von 6 Wochen nach Eingang, bearbeitet werden.

Dies ist nur durch den Einsatz von personellen Ressourcen auch mit dem Hinblick auf qualitätsgesicherte Daten nicht zu bewältigen und bedarf innovativer Ansätze.

Methode: Der Workshop der AG Krebsregister möchte sich in diesem Jahr mit der Thematik Machine Learning/Neuronal Networks und innovativer Technologien für die Arbeitsunterstützung und Qualitätssicherung in der Krebsregistrierung beschäftigen und konkrete Ansätze vorstellen. Es sind zwei 90minütige Sessions mit einer Pause geplant. In kurzen Beiträgen sollen konkrete Umsetzungen bzw. Umsetzungsideen vorgestellt werden. Die Teilnehmer des Workshops sollen im Anschluss jeder Vorstellung die Vor- und Nachteile der jeweiligen vorgestellten Idee festhalten und die Anwendbarkeit der Idee auf ihr Arbeitsfeld bewerten. Darüber hinaus sollen die Ideen und Ergebnisse aus dem Workshop aus dem Vorjahr, der sich mit Datenmodell und dem klinischen Best-Of in der Krebsregistrierung beschäftigt hatte, reflektiert werden.

Ergebnisse:

Für den Workshop stehen Beiträge aus den folgenden Themengebieten zur Verfügung:

  • Klassifizierung von Histologie Freitexten zu Histologie Codes mittels Support Vector Machines
  • Klassifizierung von ICD10 Freitexten zu ICD10 Codes mittel Support Vector Machines
  • Entscheidungsunterstützung bei der Zuordnung von Erkrankungen durch Deep Neuronal Networks
  • Qualitätssicherung der automatisierten Erkennung von Erkrankungen durch Deep Neuronal Networks
  • Texterkennung von Pathologischen Befunden hin zu strukturierten Datensets
  • Monitoring Systeme für Krebsregister
  • KPIs für KrebsregisterDiskussion

Der Workshop hat einen Fokus auf die klinische Krebsregistrierung nach KFRG, soll aber auch andere Kongressteilnehmer ansprechen, die sich entweder mit klinischen Registern oder Machine Learning beschäftigen.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass kein Ethikvotum erforderlich ist.