Zukunftslabor
GESUNDHEIT

Beitrag in einfacher Sprache anzeigen

GANZHEITLICH LEBEN BEGLEITEN

Die medizinische Forschung und Gesundheitsversorgung stehen durch die zunehmende Digitalisierung vor einem grundsätzlichen Umbruch. Grundlegende Fortschritte in der Sensorik und Bildgebung im klinischen Alltag sowie privaten Umfeld liefern neue Daten. Die transsektorale Vernetzung von Versorgungsdaten verknüpft die episodischen Datensätze zu heterogenen Datensätzen, welche mittelfristig die gesamte Lebensspanne umfassen. Neue Datenanalyse-Technologien für große Datenmengen ermöglichen neuartige Ansätze für das Verständnis und die Therapie von Erkrankungen. Dabei handelt es sich nicht um den einfachen Einsatz von Technologien, sondern um grundlegende Veränderungen der Gesundheitsversorgung, die sich in einer individuelleren Versorgung, neue telemedizinische Angebote und neue Marktteilnehmer darstellen.

Zentrale Aspekte sind der Einsatz neuer digitaler Methoden in Versorgung und Pflege, eine evidenz- und datenbasierte Medizin, die Gestaltung gesundheitsfördernder Lebenswelten, smarte Implantate und neuartige (Bio-)Sensorik, eine personalisierte Medizin sowie umfassende Versorgungsforschung entlang der gesamten Versorgungskette. Besonders bedeutend sind die Schwerpunkte translationale Medizin, Versorgung in der Fläche, individuelle Prävention im Sinne einer gesunden Lebensplanung. Es bedarf auch einer Weiterentwicklung von Ausbildung und Lehre zur notwendigen Kompetenzvermittlung.

Sprecher
GESUNDHEIT

Prof. Dr. Ramin Yahyapour
Universitätsmedizin Göttingen

KONTAKT AUFNEHMEN

Ansprechpartnerin
GESUNDHEIT

Dipl.-Inf. Sabine Hanß
Universitätsmedizin Göttingen
Institut für Medizinische Informatik

KONTAKT AUFNEHMEN

Wissenschaftler*innen

Jannik Fleßner (Jade Hochschule - Wilhelmshaven Oldenburg Elsfleth)

Jannik Fleßner ist wissenschaftlicher Mitarbeiter an der Jade Hochschule Wilhelmshaven, Oldenburg, Elsfleth in der Abteilung Technik und Gesundheit für Menschen. Seine Forschungsschwerpunkte sind: Mensch-Maschine Interaktion, Expertensysteme, Smart Home, Künstliche Intelli...

MEHR ZUR PERSON
Dr. -Ing. Sandra Hellmers (Carl von Ossietzky Universität Oldenburg)

Dr.-Ing. Sandra Hellmers ist wissenschaftliche Mitarbeiterin in der Abteilung Assistenzsysteme und Medizintechnik an der Carl von Ossietzky Universität Oldenburg. Ihre Forschungsschwerpunkte sind die Bewegungserfassung und -analyse mit optischen, tragbaren sowie ambienten ...

MEHR ZUR PERSON
Jens Hüsers (Hochschule Osnabrück)

Jens Hüsers ist wissenschaftlicher Mitarbeiter in der Forschungsgruppe Informatik im Gesundheitswesen an der Hochschule Osnabrück. Er befasst sich mit der IT-gestützten Versorgung von chronischen Wunden. Dazu zählen auf KI basierte Entscheidungsunterstütztungssysteme. Zude...

MEHR ZUR PERSON
Matthias Katzensteiner (Hochschule Hannover)

Matthias Katzensteiner ist wissenschaftlicher Mitarbeiter in der Hochschule Hannover an der Fakultät III für Information und Kommunikation. Seine Forschungsschwerpunkte sind: Datenmodellierung, Datenintegration, Didaktik und Online-Lehre. ...

MEHR ZUR PERSON
Jendrik Richter (Universitätsmedizin Göttingen)

Jendrik Richter ist wissenschaftliche Mitarbeiter am Institut für Medizinische Informatik an der Universitätsmedizin Göttingen (UMG). Seine Forschungsschwerpunkte sind: Interoperabilität im Gesundheitswesen, Datenaustauschstandards und Datentransformation (ETL), Klinische ...

MEHR ZUR PERSON
Stefan Vogel (Universitätsmedizin Göttingen)

Stefan Vogel ist wissenschaftlicher Mitarbeiter am Institut für Medizinische Informatik in Göttingen Universitätsmedizin Göttingen Seine Forschungsschwerpunkte sind: Klinische Entscheidungsunterstützungssysteme und Künstliche Intelligenz im Gesundheitswesen nsowie Software...

MEHR ZUR PERSON

Geförderte Einrichtungen

Projekte des Zukunftslabors

ZUR PROJEKTÜBERSICHT

Berichte

Workshop Zukunftslabor Gesundheit: Datenspende im Gesundheitswesen

Workshop Zukunftslabor Gesundheit: Datenspende im Gesundheitswesen

Wissenschaftler*innen des Zukunftslabors Gesundheit nahmen an der Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (GMDS) e. V. teil. Eine Kombination aus Impulsvorträgen und Diskussionen lieferte wichtige Erkenntnisse für die weitere Forschung. MEHR

Erfolgreicher Messeauftritt des Zukunftslabors Gesundheit

Erfolgreicher Messeauftritt des Zukunftslabors Gesundheit

Gesundheitsforschung trifft Wirtschaft: Die Wissenschaftler*innen des Zukunftslabors Gesundheit stellten auf der diesjährigen DMEA ihre Forschung vor. Besucher*innen konnten spannende Exponate ausprobieren und sich über Themen wie Sensorik und Datennutzung in der Gesundheitsversorgung informieren. MEHR

Sensoren für eine datenbasierte Gesundheitsprävention getestet

Sensoren für eine datenbasierte Gesundheitsprävention getestet

Im Rahmen des Gesundheitsmonitorings erfassten die Wissenschaftler*innen Daten von Wirbelsäulensensoren und testeten EKG-T-Shirts. Zudem entwickelten sie eine Struktur zur Verarbeitung der Sensordaten. Darüber hinaus arbeiten sie an einer Risikokommunikation, die präventiv auf schädliche Umweltfaktoren hinweist. MEHR

Weitere Berichte anzeigen

Videos und Podcasts

Digitales Gesundheitswesen: Datenaustausch und Sensorik

Lernendes Gesundheitswesen – Das Potenzial medizinischer Daten.

Lernendes Gesundheitswesen – Das Potenzial medizinischer Daten.

Diagnose übers Smartphone – Wie sich Ärzt*innen von ihren Patient*innen entfernen.

Diagnose übers Smartphone – Wie sich Ärzt*innen von ihren Patient*innen entfernen.

Weitere Inhalte anzeigen

Wissenschaftliche Veröffentlichungen

Human Spine Motion Capture using Perforated Kinesiology Tape

In this work, we present a marker-based multi-view spine tracking method that is specifically adjusted to the requirements for movements in sports. A maximal focus is on the accurate detection of mark...

Mehr

In this work, we present a marker-based multi-view spine tracking method that is specifically adjusted to the requirements for movements in sports. A maximal focus is on the accurate detection of markers and fast usage of the system. For this task, we take advantage of the prior knowledge of the arrangement of dots in perforated kinesiology tape. We detect the tape and its dots using a Mask R-CNN and a blob detector. Here, we can focus on detection only while skipping any image-based feature encoding or matching. We conduct a reasoning in 3D by a linear program and Markov random fields, in which the structure of the kinesiology tape is modeled and the shape of the spine is optimized. In comparison to state-of-the-art systems, we demonstrate that our system achieves high precision and marker density, is robust against occlusions, and capable of capturing fast movements.

Autor*innen

  • Hendrik Hachmann
  • Prof. Dr.-Ing. Bodo Rosenhahn (Leibniz Universität Hannover)

Veröffentlichung

Diese Veröffentlichung entstand aufbauend auf der ZDIN Förderung.

Weniger

A Review of Anonymization for Healthcare Data

Mining health data can lead to faster medical decisions, improvement in the quality of treatment, disease prevention, and reduced cost, and it drives innovative solutions within the healthcare sector....

Mehr

Mining health data can lead to faster medical decisions, improvement in the quality of treatment, disease prevention, and reduced cost, and it drives innovative solutions within the healthcare sector. However, health data are highly sensitive and subject to regulations such as the General Data Protection Regulation, which aims to ensure patient's privacy. Anonymization or removal of patient identifiable information, although the most conventional way, is the first important step to adhere to the regulations and incorporate privacy concerns. In this article, we review the existing anonymization techniques and their applicability to various types (relational and graph based) of health data. Besides, we provide an overview of possible attacks on anonymized data. We illustrate via a reconstruction attack that anonymization, although necessary, is not sufficient to address patient privacy and discuss methods for protecting against such attacks. Finally, we discuss tools that can be used to achieve anonymization.

Autor*innen

  • Iyiola Emmanuel Olatunji (Leibniz Universität Hannover)
  • Dr. rer. nat. Jens Rauch (Hochschule Osnabrück)
  • Matthias Katzensteiner (Hochschule Hannover)
  • Megha Khosla (Leibniz Universität Hannover)

Veröffentlichung

Diese Veröffentlichung entstand aufbauend auf der ZDIN Förderung.

Weniger

Robust in-vehicle heartbeat detection using multimodal signal fusion

Continuous health monitoring in private spaces such as the car is not yet fully exploited to detect diseases in an early stage. Therefore, we develop a redundant health monitoring sensor system and si...

Mehr

Continuous health monitoring in private spaces such as the car is not yet fully exploited to detect diseases in an early stage. Therefore, we develop a redundant health monitoring sensor system and signal fusion approaches to determine the respiratory rate during driving. To recognise the breathing movements, we use a piezoelectric sensor, two accelerometers attached to the seat and the seat belt, and a camera behind the windscreen. We record data from 15 subjects during three driving scenarios (15 min each) city, highway, and countryside. An additional chest belt provides the ground truth. We compare the four convolutional neural network (CNN)‑based fusion approaches: early, sensor‑based late, signal‑based late, and hybrid fusion. We evaluate the performance of fusing for all four signals to determine the portion of driving time and the signal combination. The hybrid algorithm fusing all four signals is most effective in detecting respiratory rates in the city ( P = 62.42), highway (P = 62.67 ), and countryside (P = 60.94). In summary, 60% of the total driving time can be used to measure the respiratory rate. The number of signals used in the multi‑signal fusion improves reliability and enables continuous health monitoring in a driving vehicle.

Autor*innen

  • M.Sc., Joana Warnecke (Technische Universität Braunschweig)
  • Prof. Dr. rer. nat. Thomas M. Deserno (Technische Universität Braunschweig)

Veröffentlichung

Diese Veröffentlichung entstand aufbauend auf der ZDIN Förderung.

Weniger
Mehr laden

Wissenschaftliche Vorträge

Digitalisierung im Gesundheitswesen erleben und mitgestalten

Matthias Katzensteiner (Hochschule Hannover)

Veranstaltung: DVMD Fachtagung 2024 - Hannover

Datum: 08.05.2024

Assistierende Gesundheitstechnologien und intelligente Umgebungen in der Rehabilitation

Dr. Klaus-Hendrik Wolf (Technische Universität Braunschweig)

Veranstaltung: 72. Jahrestagung der Vereinigung Süddeutscher Orthopäden und Unfallchirurgen e.V. "Cutting Edge for Science and Family - Sehen - Hören - Spüren" in Baden-Baden

Datum: 27.04.2024

Physio-Tracker – A Camera-Computer Application Supervising Physiotherapeutic Home Exercise Programs

Verena Stieve (HAWK Hochschule für angewandte Wissenschaft und Kunst Hildesheim/Holzminden/Göttingen)

Prof. Dr. rer. nat. Christoph Rußmann (HAWK Hochschule für angewandte Wissenschaft und Kunst Hildesheim/Holzminden/Göttingen)

Veranstaltung: 17th International Joint Conference on Biomedical Engineering Systems and Technologies

Datum: 23.02.2024

Mehr laden

Technologiedemonstratoren

Weitere Technologiedemonstratoren anzeigen

Weiterbildungsangebote

Themenschwerpunkt
Zielgruppe
Nach Absprache
Nach Absprache

Dein Bett als Lebensretter!
Patientennahe Sensorsysteme in der Pflege MEHR

Im privaten Umfeld - wie das Bett - können Sensoren verbaut werden, die lebenswichtige Signale aufzeichnen. Warum ist das hilfreich? Diese Daten können ausgewertet werden, um den Gesundheitszustand einer Person zu erfassen. Welche Biosignale noch wichtig sind, welche Sensortechnik es gibt und wie die Daten ausgewertet werden können, ist Inhalt dieses Kurses.

Nach Absprache
Nach Absprache

Blut spenden - kein Thema. Aber Daten?
Das lernende Gesundheitswesen: So lernt es MEHR

Ein Pieks für den guten Zweck: Blutspenden können anderen Menschen das Leben retten. Wie sieht’s mit den Gesundheitsdaten aus? Wer würde sie hergeben, um das Gesundheitswesen zu verbessern? Dieser Kurs informiert über die unterschiedlichen Arten medizinischer Daten und wie diese für eine bessere Krankenversorgung und eine innovative Forschung genutzt werden können.

Nach Absprache
Nach Absprache

Das Lernende Gesundheitssystem in Aktion
Klinische Datenmodellierung MEHR

Ein Lernendes Gesundheitssystem lernt von jedem Patienten und jeder Patientin. Dazu werden die erhobenen Daten genutzt, um beispielsweise Wissen in Form von statistischen Modellen zu erzeugen. In diesem Kurs wird anschaulich gezeigt, wie diese Modelle mit Gesundheitsdaten im Sinne eines Lernenden Gesundheitssystems erstellt werden.

Nach Absprache
Nach Absprache

Gamechanger Assistierende Gesundheitstechnologien
Intelligente Technologien für eine bessere Gesundheit MEHR

Schrittzähler und Pulsmesser sind längst keine Besonderheit mehr. Digitale Technologien bieten noch viel mehr Möglichkeiten des Gesundheits-Monitorings. Wie sehen diese aus, welche Daten werden erhoben und welche Herausforderungen gibt es dabei? Dieser Kurs gibt Einblicke in assistierende Technologien – die Wegbereiter für eine optimierte medizinische Behandlung.

Assoziierte Partner

Fonts updating...


Kontaktieren Sie uns telefonisch
+49 441 9722-222

A A
Beiträge in einfacher Sprache