Search

The increasing availability of wearable electrocardiography (ECG) devices enables the continuous monitoring of individual ECG alterations. This could be beneficial for patients suffering from acute ischemia but with non-standard ECG findings that do not fit to the subject-independent and absolute thresholds defined in clinical guidelines. In this work, we evaluate the inter-patient magnitude of individual ECG alterations during ischemia. The freely available STAFF III database provides 12-lead ECG recordings of patients before, during, and after elective percutaneous coronary intervention(PCI), where a coronary vessel is widened with a balloon inflation. We compute individual alterations of ST-interval and T-wave amplitudes w.r.t. QRS amplitude over time for each patient and lead. We demonstrate that determining relative ST-interval/T-wave amplitudes and deriving individual alterations over time is feasible in standard and non-standard ECG recordings. To demonstrate clinical relevance, we use the features for differentiating N=54 STAFF III patients with atherosclerotic plaque in either the right coronary artery (RCA) or left ascending artery (LAD). Results show significant differences in 5 leads for ST-interval alterations and 3 leads for T-wave alterations, which are also suggested by clinical guidelines for ischemia detection. Clinical relevance- Assessing individual alterations over time could eventually close the gap in ECG evaluation of patients presenting with pre-existing heart conditions and non-standard ECGs., 4 pages, 2 figure, EMBC 2023; submitted 07.02.23

Electrocardiography analysis is widely used in various clinical applications and Deep Learning models for classification tasks are currently in the focus of research. Due to their data-driven character, they bear the potential to handle signal noise efficiently, but its influence on the accuracy of these methods is still unclear. Therefore, we benchmark the influence of four types of noise on the accuracy of a Deep Learning-based method for atrial fibrillation detection in 12-lead electrocardiograms. We use a subset of a publicly available dataset (PTBXL) and use the metadata provided by human experts regarding noise for assigning a signal quality to each electrocardiogram. Furthermore, we compute a quantitative signal-to-noise ratio for each electrocardiogram. We analyze the accuracy of the Deep Learning model with respect to both metrics and observe that the method can robustly identify atrial fibrillation, even in cases signals are labelled by human experts as being noisy on multiple leads. False positive and false negative rates are slightly worse for data being labelled as noisy. Interestingly, data annotated as showing baseline drift noise results in an accuracy very similar to data without. We conclude that the issue of processing noisy electrocardiography data can be addressed successfully by Deep Learning methods that might not need preprocessing as many conventional methods do., Comment: to be published in proceedings of Medical Informatics Europe 2023

Introduction: Within the Network University Medicine (NUM), different projects have been carried out to support the understanding and handling of the COVID-19 pandemic [ref:1]. The CODEX project has developed a platform to collect and provide clinical routine data of COVID-19 patients in [for full text, please go to the a.m. URL]

Zielsetzung: Steigende Patientenzahlen in den Zentralen Notaufnahmen stellen in Deutschland ein zunehmendes Problem dar. Das Projekt „Optimierung der Notfallversorgung durch strukturierte Ersteinschätzung mittels intelligenter Assistenzdienste“ (OPTINOFA) hat das Ziel, durch ein [zum vollständigen Text gelangen Sie über die oben angegebene URL]

Background: The protection of sensitive data against unauthorized access is especially important in healthcare and medical research. Not only medical data but also identifying administrative data in medical research projects must be managed and protected. While Clinical Data Management Systems (CDMS)[for full text, please go to the a.m. URL], 65th Annual Meeting of the German Association for Medical Informatics, Biometry and Epidemiology (GMDS), Meeting of the Central European Network (CEN: German Region, Austro-Swiss Region and Polish Region) of the International Biometric Society (IBS)

Background: Medical data sharing is a typical scenario in healthcare settings. Current solutions in sharing healthcare data are based on end-to-end encryption between two or more partners known in advance. Such an approach does not allow potential collaborators to search for data, dynamically grant [for full text, please go to the a.m. URL], 65th Annual Meeting of the German Association for Medical Informatics, Biometry and Epidemiology (GMDS), Meeting of the Central European Network (CEN: German Region, Austro-Swiss Region and Polish Region) of the International Biometric Society (IBS)

The increasingly digitized healthcare system requires new skills from all those involved. In order to impart these competencies, appropriate courses must be developed at educational institutions. In view of the rapid development of new aspects of digitization, this presents a challenge; suitable teaching formats must be developed successively. The establishment of cross-location teaching networks is one way to better meet training needs and to make the necessary spectrum of educational content available. As part of the Medical Informatics Initiative, the HiGHmed consortium is establishing such a teaching network, in the field of medical informatics, which covers many topics related to the digitization of the health care system. Various problem areas in the German education system were identified that hinder the development of the teaching network. These problem areas were prioritized firstly according to the urgency of the solution from the point of view of the HiGHmed consortium and secondly according to existing competencies in the participating societies. A workshop on the four most relevant topics was organized with experts from the German Society for Medical Informatics, Biometry and Epidemiology (GMDS), the Society for Medical Education (GMA) and the HiGHmed consortium. These are: recognition of exam results from teaching modules that are offered digitally and across locations, and their integration into existing curricula; recognition of digital, cross-location teaching in the teachers' teaching load; nationwide uniform competencies for teachers, in order to be able to conduct digital teaching effectively and with comparable quality; technical infrastructure to efficiently and securely communicate and manage the recognition of exam results between educational institutions. For all subject areas, existing preliminary work was identified on the basis of working questions, and short- and long-term needs for action were formulated. Finally, a need for the redesign of a technologically supported syntactic and semantic interoperability of learning performance recording was identified., Das zunehmend digitalisierte Gesundheitswesen erfordert neue Kompetenzen von allen Beteiligten. Um diese Kompetenzen vermitteln zu können, müssen an den Bildungsinstitutionen entsprechende Lehrveranstaltungen entwickelt werden. Dies ist angesichts der rasanten Entwicklung neuer Digitalisierungsaspekte eine Herausforderung; passende Lehrformate müssen sukzessive aufgebaut werden. Die Etablierung standortübergreifender Lehrverbünde ist eine Möglichkeit, den Ausbildungsbedarf besser zu decken und die notwendige Bandbreite an Bildungsinhalten verfügbar zu machen. Im Rahmen der Medizininformatik-Initiative wird im HiGHmed-Konsortium ein solcher Lehrverbund im Fachgebiet der Medizinischen Informatik aufgebaut, in welches viele Themen der Digitalisierung des Gesundheitswesens fallen. Dabei wurden verschiedene Problemfelder im deutschen Bildungswesen identifiziert, welche den Aufbau des Lehrverbundes hemmen. Diese Problemfelder wurden unter Beachtung der Dringlichkeit der Lösung aus Sicht des HiGHmeducation Konsortiums und andererseits nach vorhandenen Kompetenzen in den teilnehmenden Fachgesellschaften priorisiert. Zu den vier relevantesten Themen wurde ein Workshop mit Fachleuten der deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (GMDS), der Gesellschaft für Medizinische Ausbildung (GMA) und des HiGHmed Konsortiums ausgerichtet. Diese sind: Anerkennung von Prüfungsleistungen aus Lehrmodulen, welche digital und standortübergreifend angeboten werden, und Integration in bestehende Curricula; Anerkennung digitaler, standortübergreifender Lehre im Deputat der Lehrenden; bundesweit einheitliche Kompetenzen für Lehrende, um digitale Lehre effektiv und mit vergleichbarer Qualität betreiben zu können; technische Infrastrukturen, um die Anerkennung zwischen Bildungseinrichtungen effizient und sicher kommunizieren und verwalten zu können. Für alle Themengebiete wurden anhand von Arbeitsfragen existierende Vorarbeiten identifiziert sowie kurz- und langfristige Handlungsbedarfe formuliert. Abschließend wurde themenübergreifend ein Bedarf für die Neugestaltung einer technologisch unterstützten syntaktischen und semantischen Interoperabilität der Erfassung von Lernleistungen festgestellt.

Biosignal-based research is often multidisciplinary and benefits greatly from multi-site collaboration. This requires appropriate tooling that supports collaboration, is easy to use, and is accessible. However, current software tools do not provide the necessary functionality, usability, and ubiquitous availability. The latter is particularly crucial in environments, such as hospitals, which often restrict users' permissions to install software. This paper introduces a new web-based application for interactive biosignal visualization and assessment. A focus has been placed on performance to allow for handling files of any size. The proposed solution can load local and remote files. It parses data locally on the client, and harmonizes channel labels. The data can then be scored, annotated, pseudonymized and uploaded to a clinical data management system for further analysis. The data and all actions can be interactively shared with a second party. This lowers the barrier to quickly visually examine data, collaborate and make informed decisions. peerReviewed

Einleitung: In der biosignalbasierten Forschung ist die visuelle Inspektion multidimensionaler Biosignalaufnahmen fundamentaler Bestandteil des Forschungsprozesses. In der Schlafmedizin ist das die Polysomnographie, eine Langzeitaufnahme des Schlafes mit mehreren Kanälen, deren de facto Standardformat[zum vollständigen Text gelangen Sie über die oben angegebene URL], 63. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS)

Fragestellung: Seit 20 Jahren stellt die Deutsche Gesellschaft für Schlafforschung und Schlafmedizin (DGSM) die Strukturqualität ihrer Schlaflabore durch eine Akkreditierung sicher. Seit 2009 erfolgt für jedes DGSM-akkreditierte Schlaflabor eine regelmäßige zweijährliche[for full text, please go to the a.m. URL], GMDS 2013; 58. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS)

Im Rahmen des BMBF-Projektes "SomnoNetz" wird eine IT-Forschungsinfrastruktur entwickelt, in der Akteure der patientenorientierten Forschung einfach und sicher Daten standortübergreifend austauschen können. Die generische IT-Infrastruktur umfasst die föderierte Datenhaltung [for full text, please go to the a.m. URL], GMDS 2012; 57. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS)

Neuroimaging is a field that benefits from distributed computing infrastructures (DCIs) to perform data processing and analysis, which is often achieved using grid workflow systems. Collaborative research in neuroimaging requires ways to facilitate exchange between different groups, in particular to enable sharing, re-use and interoperability of applications implemented as workflows. The SHIWA project provides solutions to facilitate sharing and exchange of workflows between workflow systems and DCI resources. In this paper we present and analyse how the SHIWA platform was used to implement various usage scenarios in which workflow exchange supports collaboration in neuroscience. The SHIWA platform and the implemented solutions are described and analysed from the "user" perspective, in this case the workflow developers and the neuroscientists. We conclude that the platform in its current form is valuable for the foreseen usage scenarios, and we identify remaining challenges concerning management of multiple credentials and data transfers across DCIs.

[english] Objective: In 1998 an international contest for medical students called “Benjamin Franklin Contest” was initiated by the former university hospital of Freie Universität Berlin on the occasion of the 30th anniversary of its foundation in 1968. Since then, seven teams from Germany, Austria, and Switzerland have been competing against each other every year. Five medical students per team match up in paper cases, diagnosis of medical images, multiple choice tests, and practical skills.Methods: All participants of the 11th Benjamin Franklin Contest (2009) were asked about their motivation, preparation strategy, and experience with the contest. Results: In total 92% (32 of 35) participated in the evaluation study. We show that improvement of medical knowledge is one of the key motivating factors behind participation in the competition. The teams were trained by self-study, tutorials, and learning groups. Remarkably, students invested 54.2 hours (SD 32 hours) of their free time to prepare for the contest. Conclusions: The Benjamin Franklin Contest is an innovative approach to facilitate self-directed learning and develope medical competencies. [german] Zielsetzung: Im Jahr 1998 wurde am damaligen Universitätsklinikum Benjamin Franklin der Freien Universität (FU) in Berlin der internationale Medizinstudierendenwettbewerb „Benjamin Franklin Contest“ (BFC) initiiert. Anlass war damals der 30. Jahrestag der Gründung der Universitätsmedizin an der FU. Seitdem findet jedes Jahr ein Wettbewerb zwischen sieben Teams von medizinischen Fakultäten aus Deutschland, Österreich und der Schweiz statt. Jeweils fünf Studierende messen sich in den Kategorien Papierfälle, Blickdiagnosen, Auswahlfragen und praktische Fähigkeiten.Methodik: Ziel dieser Arbeit ist die Beschreibung des Projektes BFC und eine erste Evaluation der Erfahrung von Teilnehmenden. Dazu wurden alle Teilnehmenden des 11. BFC (2009) mittels eines selbst entwickelten Fragebogens hinsichtlich ihrer Motivation, Art und Aufwand der eigenen Vorbereitung und der Erfahrung mit dem Wettbewerb befragt. Ergebnisse: Insgesamt beteiligten sich 92% (32/35) der Teilnehmenden im Jahr 2009 an der Evaluation des Wettbewerbs. Es zeigte sich, dass die Erweiterung medizinischen Wissens zu den Hauptmotiven für eine Teilnahme am BFC gehört. Zur Vorbereitung auf den Wettbewerb wurden neben dem Selbststudium insbesondere Tutorien und Lerngruppen eingesetzt. Der Aufwand lag bei durchschnittlich 54,2 Stunden (Standardabweichung 32 Stunden). Schlussfolgerungen: Das Konzept des BFC kann als innovativer Ansatz selbstmotivierten Lernens verstanden werden. Die Teilnahme am BFC hat das Potential, neben medizinischen Kompetenzen auch die Fähigkeit zur Teamarbeit zu fördern.

Einleitung / Hintergrund: Gridcomputing soll durch Zusammenschluss verteilter Rechen-, Speicher- und Softwareressourcen Nutzern standortunabhängig beliebig hohe Rechenleistung zur Verfügung stellen, kollaboratives Arbeiten fördern und Zugang zu neuen Anwendungen ermöglichen.[for full text, please go to the a.m. URL], 54. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds)

Einleitung: Im Rahmen der D-Grid-Initiative wurden vier Hochleistungs-Visualisierungs-Cluster bereitgestellt. Die Vernetzung der Cluster über die D-Grid-Infrastruktur soll rechenintensive Visualisierungsanwendungen standortunabhängig ermöglichen. Dies bietet insbesondere für die [for full text, please go to the a.m. URL], 54. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds)

Einleitung: Eine Gridinfrastruktur bietet die Möglichkeit, auch komplexe und rechenintensive Anwendungen Nutzern standortunabhängig zur Verfügung zu stellen und verteilte Datenquellen zu integrieren [ref:1]. Für die Akzeptanz im biomedizinischen Bereich spielen vor allem[for full text, please go to the a.m. URL], 54. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds)

Image analysis has been strongly present in several healthgrid initiatives from the start, and today we find many imaging projects with successful grid implementations and developments. An example is the analysis of functional MRI data on grids, which has been successfully realized by several projects and that could be of interest for others. However, crossing the borders of existing grids is not trivial because the infrastructures being created for these projects differ, each adopting a (slightly) different software stack. This paper describes our early attempts to cross the borders between the German and Dutch grid infrastructures for medical imaging, motivated by a true wish to share expertise about fMRI analysis on grids between these two communities. We describe how we used off-the-shelf, production-level, grid technology to implement supporting mechanisms for cooperation in fMRI at several levels (users, data, software, workflows and computing resources). This simple exercise provided us valuable insights into the problems of crossing the borders of real grids from a user's perspective. Besides technical aspects, we observed that security and usability are very important for the success of inter-operation of Healthgrid

Im Bereich des wissenschaftlichen Rechnens nimmt die Anzahl von Programmläufen (Jobs), die von einem Benutzer ausgeführt werden, immer weiter zu. Dieser Trend resultiert sowohl aus einer steigenden Anzahl an CPU-Cores, auf die ein Nutzer zugreifen kann, als auch durch den immer einfacheren Zugriff auf diese mittels Portalen, Workflow-Systemen oder Services. Gleichzeitig schränken zusätzliche Abstraktionsschichten von Grid- und Cloud-Umgebungen die Möglichkeit zur Beobachtung von Jobs ein. Eine Lösung bietet das jobzentrische Monitoring, das die Ausführung von Jobs transparent darstellen kann. Die vorliegende Dissertation zeigt zum einen Methoden mit denen eine skalierbare Infrastruktur zur Verwaltung von Monitoring-Daten im Kontext von Grid, Cloud oder HPC (High Performance Computing) realisiert werden kann. Zu diesem Zweck wird sowohl eine Aufgabenteilung unter Berücksichtigung von Aspekten wie Netzwerkbandbreite und Speicherkapazität mittels einer Strukturierung der verwendeten Server in Schichten, als auch eine dezentrale Aufbereitung und Speicherung der Daten realisiert. Zum anderen wurden drei Analyseverfahren zur automatisierten und massenhaften Auswertung der Daten entwickelt. Hierzu wurde unter anderem ein auf der Kreuzkorrelation basierender Algorithmus mit einem baumbasierten Optimierungsverfahren zur Reduzierung der Laufzeit und des Speicherbedarfs entwickelt. Diese drei Verfahren können die Anzahl der manuell zu analysierenden Jobs von vielen Tausenden, auf die wenigen, interessanten, tatsächlichen Ausreißer bei der Jobausführung reduzieren. Die Methoden und Verfahren zur massenhaften Analyse, sowie zur skalierbaren Verwaltung der jobzentrischen Monitoring-Daten, wurden entworfen, prototypisch implementiert und mittels Messungen sowie durch theoretische Analysen untersucht. An increasing number of program executions (jobs) is an ongoing trend in scientific computing. Increasing numbers of available compute cores and lower access barriers, based on portal-systems, workflow-systems, or services, drive this trend. At the same time, the abstraction layers that enable grid and cloud solutions pose challenges in observing job behaviour. Thus, observation and monitoring capabilities for large numbers of jobs are lacking. Job-centric monitoring offers a solution to present job executions in a transparent manner. This dissertation presents methods for scalable infrastructures that handle monitoring data of jobs in grid, cloud, and HPC (High Performance Computing) solutions. A layer-based organisation of servers with a distributed storage scheme enables a task sharing that respects network bandwidths and data capacities. Additionally, three proposed automatic analysis techniques enable an evaluation of huge data quantities. One of the developed algorithms is based on cross-correlation and uses a tree-based optimisation strategy to decrease both runtime and memory usage. These three methods are able to significantly reduce the number of jobs for manual analysis from many thousands to a few interesting jobs that exhibit outlier-behaviour during job execution. Contributions of this thesis include a design, a prototype implementation, and an evaluation for methods that analyse large amounts of job-data, as well for the scalable storage concept for such data.