Durch ITS-Feldstudien sowie qualitative Einzel- und Gruppeninterviews mit verschiedenen Nutzergruppen der ITS werden Anforderungen und Spezifikationen konkretisiert und priorisiert. Sie ermöglichen eine partizipative, iterative Gestaltung der Benutzeroberfläche, die Optimierung des Nutzungserlebnisses sowie die Mitentwicklung eines Prototyps.
Bei der Entwicklung des prädiktiven KI-Modells, der INALO-App, kommen Verfahren des maschinellen Lernens (ML) wie zum Beispiel „deep learning“ zum Einsatz. Die Datengrundlage besteht zum einen aus Daten aus den Philips IntelliVue Patientenüberwachungssystemen, in dem die Alarmdaten abgespeichert werden, zum anderen aus behandlungsrelevanten Patient*innendaten aus dem Patientendatenmanagementsystem (PDMS) COPRA, welches für die medizinische Verlaufsverlaufsdokumentation eingesetzt wird.
Entwicklung der INALO-App
Die Integration der INALO-App in die relevanten Arbeitsabläufe soll über die AICURA Plattform umgesetzt werden. Zum einen besteht diese aus einer webbasierten Entwicklungsumgebung (AICURA IDE), welche es Forscher*innen ermöglicht neue ML-Modelle zu implementieren. Zum anderen aus einem Betriebssystem (AICURA OS) welches lokal auf dem Forschungsserver im Krankenhaus installiert wird.
Das lokale AICURA OS verfügt über standardisierte Schnittstellen zu den für die INALO-App relevanten Datenbanken und ermöglicht die semi-automatisierte Harmonisierung und Strukturierung der verwendeten Daten nach gängigen Standards wie FHIR, LOINC und SNOMED CT, etc. So stehen die medizinischen Daten zum Training und zur Anwendung der INALO-App immer gleichförmig zur Verfügung und die semantische und technische Interoperabilität wird sichergestellt.
Dabei ermöglicht die Plattform zudem Ansätze des entweder föderierten oder zentralisierten Trainings von ML-Modellen sowie Mischformen aus beiden. Das föderierte Training bietet hierbei den Vorteil, dass die verwendeten Daten zu jedem Zeitpunkt der Entwicklung im Krankenhaus verbleiben, sodass die Einhaltung der strengen Datenschutzanforderungen jederzeit gewährleistet ist.
Darüber hinaus bietet das AICURA OS eine standardisierte Ablaufumgebung für Software, was den Integrationsaufwand für neue, externe Software im Krankenhaus deutlich reduziert und Sicherheitsrisiken minimiert.
Integration der INALO-App
Medizinische Expert*innen können aus der Kombination dieser Datenquellen patientenspezifische Muster identifizieren, die als Basis für die spätere Datensatzerstellung und dem Training der INALO-App dient. Die INALO-App soll zunächst die Notwendigkeit einer Aktion (z. B. Gabe eines Medikaments) nach einem Alarmauftritt vorhersagen und entsprechend Alarme priorisieren.
Die Entwicklung des ML-Modells als Grundlage für die INALO-App findet dabei in einem interdisziplinären Team aus Mediziner*innen und Data Scientists unter Zuhilfenahme der Entwicklungsumgebung der AICURA Plattform statt. Dieser Ansatz ermöglicht es den beteiligten Forscher*innen in einer frühen Phase zum einen die initiale explorative Datenanalyse durchzuführen und zum anderen die Modellarchitektur und -parametrisierung aufzusetzen und zu validieren.