• search hit 2 of 153
Back to Result List

Improving Clinical Decision Making with Artificial Intelligence

Verbesserung klinischer Entscheidungsunterstützung mit Künstlicher Intelligenz

  • Improving patient care is an ongoing process, evolving from early evidence-based practices to modern AI-driven approaches. This thesis explores three key research directions aimed at improving clinical decisionmaking through AI. Adverse events, defined as negative and harmful outcomes that occur during medical care, present major challenges for hospitals. Most data-driven research using electronic health records relies on data from tertiary referral hospitals, but their patient population differs from those in hospitals of medium level of care. The first major contribution of this thesis is a data-driven Trigger Tool for predicting adverse events trained on data from a hospital of medium level of care. This tool uses a concise set of laboratory values measured within the first 24 hours of hospitalization. In addition to models usingImproving patient care is an ongoing process, evolving from early evidence-based practices to modern AI-driven approaches. This thesis explores three key research directions aimed at improving clinical decisionmaking through AI. Adverse events, defined as negative and harmful outcomes that occur during medical care, present major challenges for hospitals. Most data-driven research using electronic health records relies on data from tertiary referral hospitals, but their patient population differs from those in hospitals of medium level of care. The first major contribution of this thesis is a data-driven Trigger Tool for predicting adverse events trained on data from a hospital of medium level of care. This tool uses a concise set of laboratory values measured within the first 24 hours of hospitalization. In addition to models using numerical features, we devised models using dichotomized features that indicate whether a laboratory value falls below or above a reference threshold. Our findings show that models using numerical features achieve high accuracy in predicting acute kidney injury and the COVID-19 associated adverse events in-hospital mortality and transfer to the ICU. Models using dichotomous features performonly slightly worse but offer better interpretability. The second major contribution is the online-updateable AI model OptAB for selecting optimal antibiotics in sepsis patients. OptAB aims to minimize the sepsis-related organ failure score (SOFA-Score) while accounting for nephrotoxic and hepatotoxic side effects. OptAB relies on a hybrid neural network differential equation algorithm tailored to the special properties of patient data, including irregular measurements, missing values, and time-dependent confounding. Time-dependent confounding describes a dependence between time-varying covariates and treatment decisionsmade by physicians, often leading to biased treatment effect estimates. OptAB generates disease course forecasts for (combinations of ) the antibiotics vancomycin, ceftriaxone, and piperacillin/tazobactam and learns realistic treatment effects on the SOFA-Score and side effect indicative laboratory values. Results indicate that OptAB’s recommendations achieve faster efficacy than the administered antibiotics while reducing side effects. The third major contribution is DoseAI, an online-updateable AI model that extends OptAB to optimize dosing regimens. DoseAI mitigates time-dependent confounding in dosage selection by minimizing the absolute spearman correlation between predicted and future treatment dosages. It forecasts disease progression under alternative dosing regimens and proposes optimal chemotherapy and radiotherapy dosing regimens for synthetic cancer patients. These regimens effectively reduce the tumor volume while adhering to varying maximum allowed weight loss constraints, used as a measure of toxicity.show moreshow less
  • Die Verbesserung der Patientenversorgung ist ein fortlaufender Prozess, der von frühen evidenzbasierten Methoden bis hin zu modernen, KI-gestützten Ansätzen reicht. Diese Arbeit untersucht die Verbesserung klinischer Entscheidungsunterstützung durch KI. Datengetriebene medizinische Forschung basiert häufig auf Patientendaten von Krankenhäusern der Maximalversorgung, wie Universitätskliniken. Die dort behandelten Patienten unterscheiden sich jedoch oft von denen in Krankenhäusern der Grundversorgung oder der mittleren Versorgungsstufe. Der erste zentrale Forschungsbeitrag dieser Arbeit ist ein datengetriebenes Trigger-Tool zur Vorhersage Adverser Events auf Basis von Laborwerten und demographischen Daten eines Krankenhauses der mittleren Versorgungsstufe. Adverse Events sind unerwünschte und schädliche Ereignisse, die während einerDie Verbesserung der Patientenversorgung ist ein fortlaufender Prozess, der von frühen evidenzbasierten Methoden bis hin zu modernen, KI-gestützten Ansätzen reicht. Diese Arbeit untersucht die Verbesserung klinischer Entscheidungsunterstützung durch KI. Datengetriebene medizinische Forschung basiert häufig auf Patientendaten von Krankenhäusern der Maximalversorgung, wie Universitätskliniken. Die dort behandelten Patienten unterscheiden sich jedoch oft von denen in Krankenhäusern der Grundversorgung oder der mittleren Versorgungsstufe. Der erste zentrale Forschungsbeitrag dieser Arbeit ist ein datengetriebenes Trigger-Tool zur Vorhersage Adverser Events auf Basis von Laborwerten und demographischen Daten eines Krankenhauses der mittleren Versorgungsstufe. Adverse Events sind unerwünschte und schädliche Ereignisse, die während einer medizinischen Behandlung auftreten. Dabei wurden sowohl Modelle mit numerischen Prädiktoren, als auch solche mit dichotomen Prädiktoren entwickelt. Die Modelle mit numerischen Prädiktoren erreichen eine hohe Genauigkeit bei der Vorhersage akuter Nierenschädigung sowie der COVID-19 assoziierten Adversen Events Krankenhausmortalität und Verlegung auf die Intensivstation. Die Modelle mit dichotomen Prädiktoren erzielen nur geringfügig schlechtere Ergebnisse, sind jedoch einfacher interpretierbar. Der zweite zentrale Forschungsbeitrag ist das online-aktualisierbare KI-Modell OptAB zur Optimierung der Antibiotikatherapie bei Sepsis. OptAB minimiert den SOFA-Score unter Berücksichtigung von Nebenwirkungen. OptAB basiert auf einem hybriden Modell aus neuronalen Netzwerken und Differentialgleichungen und kann spezifische Eigenschaften von Patientendaten, wie irreguläre Messungen, fehlende Werte und zeitabhängiges Confounding, verarbeiten. Letzteres beschreibt eine Abhängigkeit zwischen zeitabhängigen Prädiktoren und Behandlungsentscheidungen, welche oft zu verzerrten Schätzungen der Behandlungseffekte führt. OptAB lernt realistische Behandlungseffekte für die Antibiotika Vancomycin, Ceftriaxon und Piperacillin/Tazobactam und deren Kombinationen auf den SOFA-Score und nebenwirkungsindizierende Laborwerte. Die Ergebnisse deuten darauf hin, dass die von OptAB empfohlenen Behandlungen schneller wirken als die tatsächlich verabreichten Antibiotika und gleichzeitig Nebenwirkungen reduzieren. Der dritte zentrale Forschungsbeitrag ist DoseAI, eine Erweiterung von OptAB zur Dosisoptimierung. DoseAI minimiert die absolute Spearman-Korrelation zwischen vorhergesagten und beobachteten zukünftigen Dosierungen, umzeitabhängigem Confounding entgegenzuwirken. DoseAI prognostiziert mit hoher Genauigkeit den Krankheitsverlauf unter alternativen Dosierungen bei synthetischen Krebspatienten und schlägt optimale Dosierungen für Chemotherapie und Radiotherapie vor.show moreshow less

Download full text files

Export metadata

Metadaten
Author:Philipp Wendland
URN:urn:nbn:de:hbz:kob7-26071
DOI:https://doi.org/10.82549/opus4-2607
Referee:Maik Kschischo, Andreas Mauthe, Björn Krüger
Advisor:Maik Kschischo, Andreas Mauthe
Document Type:Doctoral Thesis
Language:English
Date of Publication (online):2025/10/27
Date of first Publication:2025/10/27
Publishing Institution:Universität Koblenz, Universitätsbibliothek
Granting Institution:Universität Koblenz, Fachbereich 4
Date of final exam:2025/08/06
Release Date:2025/10/27
Tag:Artificial Intelligence; Data Science; Deep Learning; Personalized Medicine; Treatment Optimization
Page Number:199
Institutes:Fachbereich 4 / Institut für Informatik
Licence (German):CC BY
Einverstanden ✔
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.