2 min

Ausgezeichnete Masterthesis bei dHealth 2020

Health Informatics meets Digital Health – und die beste Masterthesis in diesem Bereich kommt von unserer Master-Studentin Anna Lienhart

Ausgezeichnete Masterthesis bei dHealth 2020
Master-Studentin Anna Lienhart gewinnt bei dHealth 2020
Copyright: Anna Lienhart; Logo-Quelle: www.dhealth.at

Die Jury der heurigen dHealth hat entschieden: Die Masterthesis unserer Digital Healthcare-Studentin Anna Lienhart ist die beste Arbeit im Bereich Health Informatics. Ihr Titel: "Multivariable Risk Prediction of Dysphagie in Hospitalized Patients Using Machine Learning". Wir gratulieren herzlich!

"Unsere Studentin demonstriert mit ihrer Arbeit eindrucksvoll, welche Möglichkeiten die Digitalisierung im Gesundheitswesen bietet und was sie leisten kann", zeigt sich Jakob Doppler, Studiengangsleiter des Master Studiengangs Digital Healthcare an der FH St. Pölten, erfreut über die Auszeichnung. "Anna Lienhart wird heuer ihren Master bei uns abschließen. Wir wünschen ihr für die Zukunft alles Gute!"

„Unverhofft kommt oft", freut sich auch Lienhart über ihren Erfolg bei der dHealth 2020. Sie blickt zurück: "Am Anfang meines Masterstudiums hätte ich mir als Gesundheitsexpertin nicht gedacht, dass ich mich im Zuge meiner Masterthesis mit Machine Learning beschäftigen werde. Und schon gar nicht, dass ich dabei bei einem tollen und zukunftsorientierten Projekt mitarbeiten darf."

Die Auszeichnung sporne sie weiter an, nicht nur im Zuge ihrer Masterthesis, sondern auch künftig neue Ideen zur Verbesserung der Abläufe im Gesundheitswesen und der Patient*innenversorgung einzubringen.

Machine Learning im Klinikalltag nutzen

Lienharts Masterthesis zielt darauf ab, ein auf Machine Learning basierendes Vorhersagemodell zu entwickeln, um Patient*innen mit einem erhöhten Risiko für Dysphagie in einem frühen Stadium eines Krankenhausaufenthaltes zu identifizieren. Für die Entwicklung der Modelle wurden ausschließlich routinemäßig dokumentierte Daten (Electronic Health Records) herangezogen. Der Datensatz selbst stammt vom Krankenhausinformationssystem der Steiermärkischen Krankenanstaltengesellschaft m.b.H.

"Ein solches Vorhersagemodell könnte die geeigneten diagnostischen, präventiven und therapeutischen Schritte zu einem früheren Zeitpunkt während des Krankenhausaufenthaltes ermöglichen, ohne dabei den Dokumentationsaufwand für das Personal im Gesundheitswesen zu erhöhen", betont Lienhart den Nutzen von Machine Learning für die Optimierung der Arbeitsprozesse im Gesundheitswesen.

Dysphagie und ihre Folgen

Was genau ist nun Dysphagie? Damit wird die Schwierigkeit oder völlige Unfähigkeit, Flüssigkeiten, Lebensmittel oder Medikamente zu schlucken, bezeichnet; sie wird verursacht durch verschiedene Veränderungen des Schluckprozesses und ist in Krankenhäusern keine Seltenheit: Generell wird die Prävalenz von Dysphagie bei Patient*innen im Krankenhaus mit 30.7 % beschrieben.

Eine Dysphagie ist bei akuten oder chronischen neurologischen Erkrankungen oder Patient*innen mit bösartigen Erkrankungen im Kopf- und Halsbereich weit verbreitet. Auch zahlreiche Medikamente können eine Schluckstörung auslösen; zudem kommt es bei Menschen über 65 Jahren durch die Abnahme der Muskelmasse etwa zu Veränderungen des Schluckvorgangs, wodurch Probleme beim Schlucken begünstigt werden. 

Die Folgen: Dehydration, Unterernährung und Aspiration, die zu einer Lungenentzündung führen kann. Dadurch werden bei Patient*innen mit einer Schluckstörung längere Krankenhausaufenthalte, eine verminderte Unabhängigkeit sowie eine erhöhte Mortalitätsrate beobachtet.

Vielversprechende Ansätze

Die Implementierung eines standardisierten Screening- und Testverfahrens für alle Patient*innen im Krankenhaus mit den bestehenden Methoden aus der Literatur würde die Anzahl medizinischer Untersuchungen in die Höhe treiben und mehr Dokumentationsaufwand bedeuten. Außerdem wird Dysphagie leicht übersehen, da diese in vielen Fällen still verläuft.

Machine Learning könnte hier Abhilfe schaffen. Lienhart ist zuversichtlich: "Die ersten Ergebnisse der Masterthesis auf dem Testdatensatz zeigen, dass zuvor berichtete Vorhersagemodelle aus der Literatur mit einer AUROC von 0.94 übertroffen werden. Dabei liefern vor allem die baumbasierten Klassifikationsalgorithmen vielversprechende Ergebnisse." 

In Folge werde eine Evaluierung der Modelle während der Echtzeitvorhersage erforderlich sein, um den Nutzen im klinischen Alltag zu bestimmen.

Digital Healthcare studieren

Noch bis 19. Juni für den Master Studiengang bewerben! Alle Infos dazu finden Sie hier.