KI-gestützte Diagnoseempfehlung für hämatoonkologische Labore
| Steckbrief | |
|---|---|
| Firma | hema.to GmbH |
| Produkte & Dienstleistungen | Software-Service der End-to-End-Entscheidungsfindung für Krebsdiagnosen |
| Business Model Canvas | Wertangebote, Kundenbeziehungen, Schlüsselressourcen, Schlüsselaktivitäten |
| ca. Zahl der Mitarbeiter:innen (weltweit) | 48 |
| Zielgruppe | Anwender |
| Hauptsitz | München, Deutschland |
| Use Cases | Wissensbasierte Expertensysteme |
Ausgangssituation & Herausforderungen
In hämatoonkologischen Laboren werden eine große Anzahl an Bluttests diagnostiziert und dokumentiert, was zu großen Datenmengen, zu einem hohen Zeitaufwand und zur Expertenbindung zur Erstellung sensibler Diagnosen führt.
Ziele
Ziel in der Zytometrie ist es, Diagnoseprozesse effizienter zu gestalten sowie diagnostische Berichterstellung und deren Dokumentation zu optimieren. Zeitaufwändige Aufgaben des medizinischen Fachpersonals sollen verringert werden, wodurch wieder mehr Zeit für klinisch wichtige Entscheidungen zur Verfügung stehen soll. Zudem soll die Steigerung der Sensibilität und Sensitivität von Diagnosen unterstützt werden.
Lösung/ Massnahme/ Projekt
Die Lösung liegt in der Umsetzung eines umfassenden End-to-End-Software-Services, der Ressourcen des medizinisches Fachpersonal frei stellt, welche nunmehr wieder verstärkt für medizinische Diagnosen genutzt werden können. Neben der Ressourcenfreistellung ist es ein weiteres Ziel, das Risiko menschlicher Fehler zu minimieren.
Umsetzung
Die Entwicklung der interdisziplinären Lösung als cloudbasierte Machine-Learning-Plattform erfolgte mit fortschrittlichen Algorithmen im Bereich der Diagnostik und sicheren Datenbanken zur Wahrung des Datenschutzes. Das System schlägt dabei die Diagnose vor, die letztliche Entscheidung verbleibt weiterhin beim medizinischen Fachpersonal.
Was wurde benötigt?
Die Entwicklung erforderte umfangreich Daten und Wissen bzw. Benchmarks, anhand welcher Algorithmen darauf trainiert werden, abstrakte, hochdimensionale Punktwolken gleich der Erfahrung und Ausbildung von spezialisierten Analytiker:innnen und Ärzt:innen zu bewerten und medizinische Diagnosen zu empfehlen.
Was wurde erreicht?
Der Diagnosedurchsatz sowie die Standardisierung der Strömungsanalysen wurden erhöht. Qualifiziertes Personal kann sich wieder verstärkt auf wichtige medizinische Diagnosen fokussieren. Gleichzeitig kann die Lösung bei mangelnder Verfügbarkeit von medizinischem Fachpersonal unterstützen.