Regensburg Center of Health Sciences and Technology - RCHST
Refine
Document Type
- conference proceeding (article) (16) (remove)
Is part of the Bibliography
- no (16)
Keywords
- Deep Learning (2)
- Aerosols (1)
- Breathing cycle (1)
- Computerunterstützte Medizin (1)
- Convolutional neural networks (1)
- Deep learning fluid mechanics (1)
- Endoskopie (1)
- Flow visualisation (1)
- Fluid Mechanics (1)
- Machine Learning (1)
Institute
- Regensburg Center of Health Sciences and Technology - RCHST (16)
- Fakultät Angewandte Sozial- und Gesundheitswissenschaften (8)
- Fakultät Maschinenbau (5)
- Labor Logopädie (LP) (5)
- Regensburg Center of Biomedical Engineering - RCBE (5)
- Fakultät Informatik und Mathematik (4)
- Labor Biofluidmechanik (4)
- Labor Physiotherapie (LPh) (4)
- Regensburg Medical Image Computing (ReMIC) (3)
- Labor Biomechanik (LBM) (1)
Begutachtungsstatus
- peer-reviewed (8)
- begutachtet (1)
Hintergrund/Fragestellung:
Eine Rheumatoide Arthritis (RA) verläuft chronisch schubweise und Betroffene leiden unter zunehmenden und schwankenden Symptomen. In der Physiotherapie (PT) werden individuell abgestimmte Interventionen in einem ambulanten (aPT) oder Gruppensetting (gPT) eingesetzt. In Leitlinien wird PT unspezifisch empfohlen. Ärzte verordnen spezifische Formen der PT. Wie ist eine evidenzbasierte und am Bedarf aus Sicht Betroffener orientierte Versorgung zu gestalten?
Methoden/Material:
Drei Methoden wurden kombiniert: 1) Evidenz zu PT wurde mittels eines Systematischen Reviews ermittelt und deren Qualität in Anlehnung an GRADE beurteilt. 2) Einflussfaktoren auf eine Versorgung wurden mittels Sekundäranalyse von Versorgungsdaten aus einer Längsschnittstudie bestimmt. 3) Einflussfaktoren auf den Bedarf an sowie die Verordnung von PT aus Sicht der Betroffenen wurden mittels Fragebogen erhoben. Die Daten wurden soweit möglich mittels Metaanalysen (1), binären (2) sowie multiplen linearen Regressionen und Gruppenvergleichen für abhängige Stichproben (3) analysiert. Es wurden Häufigkeiten (3) der Nennung spezifischer Interventionen sowie von Übereinstimmungen zwischen Bedarf und wahrgenommenem Verordnungsverhalten bestimmt.
Ergebnisse:
1) Eine gPT zeigte bei jungen Betroffenen mit guter Funktion Effekte, war aber bei Vorschäden der Gelenke weder effektiv noch sicher. Zu aPT liegt keine Evidenz vor. 2) Der einzige relevante Vorhersagefaktor für eine Versorgung mit PT ist eine bereits bestehende Versorgung (Exp(B)=10,81 - 171,53, p<0,001). 3) Den stärksten bedarfssteigernden Einfluss hat ein schlechtes körperliches Befinden (B=0,25, p<0,05/MWD 1,3 (NAS 1-10), p<0,001). Teilnehmer (n=305) gaben am häufigsten Bedarf an aPT an, bei schlechtem Befinden vor allem an passiven Maßnahmen. In besseren Phasen besteht zusätzlich Bedarf an gPT. Betroffene haben individuell unterschiedliche Bedarfe und eine Berücksichtigung bedarfsbestimmender Faktoren bei der Verordnung wird kaum wahrgenommen.
Schlussfolgerungen:
Angesichts der geringen Evidenzlage und individueller und schwankender Bedarfe wird ein stark individualisiertes Vorgehen empfohlen. Effektivität, Sicherheit und Passgenauigkeit sind regelmäßig gemeinsam mit den an der Versorgung Beteiligten sowie den Betroffenen zu überprüfen. Insbesondere bei schlechtem Befinden sollte über die Möglichkeit einer aPT und die notwendige Überprüfung aufgeklärt werden. Es besteht dringender Forschungsbedarf für aPT bei RA.
Entwicklung eines interprofessionellen Online-Kurses für Medizin- und Physiotherapiestudierende
(2019)
Das sich verändernde Gesundheitssystem macht Anpassungen in der Ausbildung der Gesundheitsberufe notwendig. Dabei wird die Stärkung der Interprofessionalität besonders betont. Die Entwicklung und Implementierung von interprofessionellen Lernszenarien birgt jedoch oftmals organisatorisch-logistische Herausforderungen. Es fehlen derzeit noch orts- und zeitunabhängige Lernszenarien, die asynchrones interprofessionelles Lernen ermöglichen.
Der neu entwickelte Online-Kurs „Medizin und Physiotherapie in der Rehabilitation“ hat zum Ziel, zur Schließung dieser Lücke beizutragen.
Die Kursentwicklung ist Teil eines Forschungsprojekts, das den Einfluss von interprofessionellem Online-Lernen auf die Kooperationskompetenz untersucht.
Pixel-level classification is an essential part of computer vision. For learning from labeled data, many powerful deep learning models have been developed recently. In this work, we augment such supervised segmentation models by allowing them to learn from unlabeled data. Our semi-supervised approach, termed Error-Correcting Supervision, leverages a collaborative strategy. Apart from the supervised training on the labeled data, the segmentation network is judged by an additional network. The secondary correction network learns on the labeled data to optimally spot correct predictions, as well as to amend incorrect ones. As auxiliary regularization term, the corrector directly influences the supervised training of the segmentation network. On unlabeled data, the output of the correction network is essential to create a proxy for the unknown truth. The corrector’s output is combined with the segmentation network’s prediction to form the new target. We propose a loss function that incorporates both the pseudo-labels as well as the predictive certainty of the correction network. Our approach can easily be added to supervised segmentation models. We show consistent improvements over a supervised baseline on experiments on both the Pascal VOC 2012 and the Cityscapes datasets with varying amounts of labeled data.
Ergonomic workplaces lead to fewer work-related musculoskeletal disorders and thus fewer sick days. There are various guidelines to help avoid harmful situations. However, these recommendations are often rather crude and often neglect the complex interaction of biomechanical loading and psychological stress. This study investigates whether machine learning algorithms can be used to predict mechanical and stress-related muscle activity for a standardized motion. For this purpose, experimental data were collected for trunk movement with and without additional psychological stress. Two different algorithms (XGBoost and TensorFlow) were used to model the experimental data. XGBoost in particular predicted the results very well. By combining it with musculoskeletal models, the method shown here can be used for workplace analysis but also for the development of real-time feedback systems in real workplace environments.
Vorgestellt wird das Forschungsvorhaben des interdisziplinären Forschungsprojekts „DeinHaus 4.0 – Telepräsenzroboter für die Pflege und Unterstützung von Schlaganfallpatientinnen und -patienten (TePUS)“. Über geeignete Robotersysteme sollen den Proband*innen individuell abgestimmte Angebote aus den Bereichen Telenursing und Teletherapie
zur Verfügung gestellt werden. Hierbei werden einerseits Telepräsenzsitzungen durchgeführt, anderseits kommen verschiedene Apps zum Einsatz. Die Interventionen werden mittels eines Mixed-Methods-Ansatzes evaluiert. Begleitend werden Technikakzeptanz und Nutzungsbereitschaft untersucht.
Blood flow in channels of varying diameters <500μm exhibits strong non-linear effects. Multiphase finite volume approaches are feasible, but still computationally costly. Here, the feasibility of applying convolutional neural networks for blood flow prediction in artificial lungs is investigated. Training targets are precomputed using an Eulerian two-phase approach. To match with experimental data, the interphase drag and lift, as well as intraphase shear-thinning are adapted. A recursively branching regression network and convolution/deconvolution networks with plain skip connections and densely connected skips are investigated. A priori knowledge is incorporated in the loss functional to prevent the network from learning non-physical solutions. Inference from neural networks is approximately six orders of magnitude faster than the classical finite volume approach. Even if resulting in comparably coarse flow fields, the neural network predictions can be used as close to convergence initial solutions greatly accelerating classical flow computations.