96. Jahresversammlung der Deutschen Gesellschaft für Hals-Nasen-Ohren-Heilkunde, Kopf- und Hals-Chirurgie

Dr. med.

Vorsitz

Prof. Dr. med.

NUR Wissenschaftliches Programm / ONLY Scientific Programme

Garbage In – Garbage Out? Datenqualität als kritische Infrastruktur der KI-Revolution

Prof.

Vortrag auf Einladung

Das Deutsche CI-Register – ein umfassender Datenpool für die Qualitätssicherung in der CI-Versorgung

Goldfischangeln im Karpfenteich - Precision Medicine und BigData

Medizinische Dokumentation neu gedacht: Maschinelles Lernen und Sprachmodelle in der modernen HNO-Praxis

Prof., Dr.

PD Dr.

Multimodales maschinelles Lernen fördert die Präzisionsmedizin in der Kopf- und Hals-Onkologie

Experimentelle Onkologie

ONKO-EXP

Einführung: Die multimodale personalisierte Behandlung von Kopf- und Halstumoren (HNC) kann die Therapie verbessern. Wir präsentieren einen realen multimodalen Tumor-Datensatz (HANCOCK) und trainierenmaschinelle (ML) und Deep-Learning-Modelle (DL), um die Therapieeffktivität vorherzusagen.Material und Methoden: HANCOCK umfasst neben Labordaten und Operationsberichten komplexe pathologische Daten des Primärtumors und Lymphknoten inkl Tissue Microarrays für Immunzellen. Der hochdimensionale Datensatz wurde durch Uniform Manifold Approximation und Projektion visualisiert. Ein genetischer Algorithmus für Trainings- und Testdatensätze sagte das Ergebnis voraus. Random-Forest-Klassifikatoren wurden auf unimodalen und multimodalen Daten mit 10-facher Kreuzvalidierung trainiert und Receiver-Operating-Characteristic-Kurven für verschiedene Modalitäten für die Vorhersage der Adjuvanz berechnet. Ergebnisse: HANCOCK umfasst Daten von 763 Patienten mit einem Follow-up von bis zu 14 Jahren. Der Datensatz erwies sich als geeignet für das Training von KI-Modellen zur Vorhersage von Rezidiven und das Gesamtüberleben mit einer AUC (Fläche unter der Kurve) von 0,65 bis 0,80, wobei der multimodale Klassifikator (AUC: 0,84) die unimodalen Modelle übertraf. Das Modell prognostizierte, dass 3 von 4 Patienten von der real nicht durchgeführten Adjuvanz profitiert hätten. Schlussfolgerung: HANCOCK zeigt potenzielle klinische Auswirkungen in einer multimodalen ML-Umgebung auf für die Vorhersage der Therapieeffektivität aber auch zur Identifikation von Risikopatienten für eine adjuvante Therapie.HANCOCK kann durch seinen transparenten und offenen Ansatz eine potenziell wichtige Quelle für die Erforschung multimodaler Deep-Learning-Methoden in der Präzisionsonkologie sein. Gefördert durch das BMBFNein

Kopf-Hals-Onkologie

ONKO

Freier Vortrag

Prof. Dr.

Validierung der Repräsentativität eines multizentrisch verteilten Datennetzwerkes für zukünftige epidemiologische Sekundärdatenanalysen

Sonstiges

DIG-SON

Einleitung:Die fortschreitende Digitalisierung der Medizin, gesteigerte Rechenleistungen und kostengünstige Speicherkapazitäten ermöglichen die Nutzung KI-basierter Algorithmen für die epidemiologische Big Data-Analyse elektronischer Patientenakten. Ziel dieser Studie war es, die Repräsentativität eines über viele Krankenhäuser verteilten Datennetzwerks zu bewerten, dessen Infrastruktur auch maschinelles Lernen ermöglicht. Dies erfolgte durch den Vergleich von Basisdaten des ML-Datennetzes mit den öffentlich zugänglichen Daten des Statistischen Bundesamtes (DESTATIS), um die wissenschaftliche Validität für zukünftige epidemiologische Analysen zu prüfen.Methoden:In einer retrospektiven epidemiologischen Sekundäranalyse wurden 8.106.105 Datensätze des ML-Netzwerks sowie die DESTATIS-Daten in Bezug auf Alter, Geschlecht, Krankenhausverweildauer, ICD-10- und OPS-Codes untersucht. Zusätzlich wurden ICD-10-Codes des Substanzmissbrauchs sowie die regionale Verteilung zur Überprüfung sozioökonomischer Einflussfaktoren verglichen.Ergebnisse:Die Variablen Alter, Geschlecht und Verweildauer sowie die häufigsten allgemeinen ICD-10- und OPS-Codes und HNO-spezifischen OPS-Codes zeigten eine hohe Übereinstimmung innerhalb der festgelegten Toleranz. Bei den HNO-spezifischen ICD-10-Codes wiesen 2 von 11 der häufigsten Codes eine Abweichung von maximal 3,71 % auf. Die Analyse sozioökonomischer Einflussgrößen und der regionalen Verteilung ergab keine signifikanten Abweichungen.Diskussion:Die hohe Übereinstimmung der untersuchten Variablen spricht für die Repräsentativität des ML-Datensatzes im Vergleich zu den DESTATIS-Daten. Damit wird der Weg für zukünftige epidemiologische Untersuchungen auf Basis von Big Data eröffnet, die bisher in der Forschung nicht verfügbar warenNein.Mit der Nutzung des Datennetzwerkes verfolgt die Fa. Tiplu keine ökonomischen Interessen. Es erfolgten keine finanziellen Transferleistungen.

Digitalisierung / Künstliche Intelligenz / eHealth / Telemedizin / Personalisierte Medizin

Dr.med.

Können Data-Mining-Ansätze uns zu besseren Diagnostikern machen?

Speicheldrüsen / Fazialis

BV-SPD/FAZ

EinleitungSpeicheldrüsentumoren machen 3–6 % aller Kopf-Hals-Neoplasien aus. Die Unterscheidung hinsichtlich der Dignität stellt im Rahmen der Ultraschall(US)-Diagnostik jedoch eine Herausforderung dar. Ziel der Studie war es, den Einfluss von Ausbildungsstand und Spezialisierung auf die US-Befundung von Parotistumoren zu untersuchen und individuelle Befundungsmuster zu identifizieren.Material und Methode149 Patienten mit Parotistumoren wurden retrospektiv analysiert. Präoperative US-Befunde wurden von sechs Untersuchern unterschiedlicher Fachrichtungen (HNO, Neuroradiologie, Radioonkologie) hinsichtlich der Dignität anhand klinischer und sonomorphologischer Parameter bewertet. Die Befunde wurden mit den histopathologischen Ergebnissen abgeglichen. Ein Data-Mining(DM)-Workflow umfasste die Nutzung eines Decision-Tree-(DCT) und eines Random-Forest(RF)-Modells, um individuelle Entscheidungswege und die Vorhersagekraft kombinierter Diagnosen zu analysieren.ErgebnisseDie diagnostische Genauigkeit der Untersucher variierte zwischen 61% und 86% und korrelierte mit der fachlichen Erfahrung. Das DCT-Modell identifizierte signifikante Unterschiede in den individuellen Entscheidungsstrategien, die stark vom Ausbildungsstand und der Spezialisierung der Untersucher abhingen. Das RF-Modell erzielte eine Gesamtgenauigkeit von 94%.DiskussionDie Studie verdeutlicht die erhebliche Variabilität in der diagnostischen Genauigkeit der US-Diagnostik von Parotistumoren. Die Ergebnisse unterstreichen die Notwendigkeit einer standardisierten sonographischen Ausbildung, um die diagnostische Qualität zu erhöhen. Der Einsatz von DM zeigt das Potenzial zur Verbesserung der Präzision und der Entwicklung robuster Vorhersagemodelle, die zur Optimierung der Patientenversorgung beitragen können.Nein.

Session 7
Big Data in der Medizin

Termin

Vorsitz

Thema

Programm

Session 7Big Data in der Medizin

Termin

Vorsitz

Thema

Programm

Session 7
Big Data in der Medizin