FACE
KI-gestützte Analyse von Langzeit-EKGs – Die Auswertung von Langzeit-EKG-Daten ist in der medizinischen Praxis zeitaufwendig und fehleranfällig, obwohl sie für die Diagnose von Herzrhythmusstörungen wie Vorhofflimmern entscheidend ist. Das Projekt FACE entwickelt KI-basierte Verfahren zur automatisierten Analyse großer EKG-Datenmengen, um Auffälligkeiten zuverlässiger zu erkennen und die Diagnostik zu verbessern. Dabei werden verschiedene KI-Modelle trainiert, verglichen und für den praktischen Einsatz optimiert. Ein besonderer Fokus liegt auf einer datenschutzfreundlichen Verarbeitung direkt vor Ort (Edge-Computing) sowie der Erprobung der Technologie in realen medizinischen Anwendungsszenarien.
Projektbeschreibung
KI-gestützte EKG-Analyse für die Herzmedizin (FACE) – Die manuelle Auswertung von Langzeit-EKG-Aufzeichnungen nimmt in der ärztlichen Praxis nur begrenzt Zeit in Anspruch, umfasst jedoch enorme Datenmengen: 24 Stunden Aufzeichnung entsprechen über 100.000 Herzschlägen, die beurteilt werden müssen. Dabei können Auffälligkeiten wie Vorhofflimmern, Rhythmusstörungen oder andere Unregelmäßigkeiten lebenswichtige Hinweise geben. Trotz dieser Bedeutung liegt die Fehlerquote bei herkömmlicher Auswertung im Schnitt bei etwa 25 Prozent.
Das Projekt „FACE“ adressiert diese Herausforderung durch den Einsatz von künstlicher Intelligenz, die Herz-Daten automatisiert und zuverlässig analysieren soll. Im Zentrum steht die Entwicklung, Evaluierung und Optimierung verschiedener KI-Modelle, die auf realen EKG-Datensätzen trainiert werden, um Störgeräusche zu erkennen, Rhythmusstörungen zu klassifizieren und zuverlässige Auswertungsergebnisse in einem Bruchteil der Zeit zu liefern. Neben der Leistung wird besonderes Augenmerk auf eine datenschutzfreundliche Edge-Architektur gelegt, bei der sensible Patientendaten direkt vor Ort und ohne Cloud-Übertragung verarbeitet werden. Durch die Zusammenarbeit mit Praxispartnern, Kliniken und Geräteherstellern soll die Integration der KI-Analyse in den medizinischen Alltag erprobt und eine Machbarkeitsstudie im Praxisbetrieb realisiert werden.
Durch die Nutzung strukturierter Daten, vergleichender KI-Evaluierungen und praxisnaher Tests verbessert das Projekt die Zuverlässigkeit der Langzeit-EKG-Diagnostik, entlastet medizinisches Fachpersonal und legt zugleich die Grundlage für zukünftige cloudbasierte und edge-optimierte Assistenzlösungen in der Herzmedizin.
Schwerpunkte des Projekts
- KI-gestützte EKG-Auswertung: Entwicklung und Training von KI-Modellen zur automatisierten Erkennung und Klassifikation von Herzrhythmusstörungen in Langzeit-EKG-Daten.
- Zuverlässigkeit und Qualitätssicherung: Systematischer Vergleich und Optimierung verschiedener KI-Verfahren zur Reduktion von Fehlinterpretationen und zur Verbesserung diagnostischer Genauigkeit.
- Datenschutzfreundliche Edge-Architektur: Verarbeitung sensibler Patientendaten direkt vor Ort ohne Cloud-Übertragung, um Datenschutzanforderungen zu erfüllen und eine praktische Integration in den Klinik- und Praxisalltag zu ermöglichen.
Alles auf einen Blick
-
Laufzeit
01.01.2024 - 31.12.2026 (Laufend) -
Forschungsbereich
KI und Medizin -
Finanzierung
ehemaligen Bundesministerium für Wirtschaft und Klimaschutz (BMWK) gefördert: 430.000€
Forschungsmethoden & Vorgehen
Ziele
Die zunehmende Digitalisierung von Studium, Lehre und Verwaltung stellt die Universität vor wachsende Anforderungen an ein sicheres und effizientes Management digitaler Identitäten und Zugriffsrechte. Gleichzeitig führen heterogene Systeme, historisch gewachsene Strukturen und manuelle Prozesse zu Intransparenz, erhöhtem Verwaltungsaufwand und potenziellen Sicherheitsrisiken.
Das Projekt USIAM zielt daher auf die Entwicklung und Einführung eines ganzheitlichen, zukunftsfähigen Identity- und Access-Managements. Im Fokus steht die Schaffung klar definierter Personengruppen, transparenter Berechtigungsstrukturen sowie automatisierter Prozesse entlang des gesamten Lebenszyklus von Nutzerinnen und Nutzern. Ziel ist es, sowohl die IT-Sicherheit und Compliance zu stärken als auch die Nutzerfreundlichkeit und Effizienz administrativer Abläufe nachhaltig zu verbessern.
Vorgehen
Zur Erreichung dieser Ziele wird ein integrativer Ansatz verfolgt, der organisatorische, technische und prozessuale Aspekte miteinander verzahnt. Bestehende Systeme und Datenquellen (z. B. SAP, Unisono, Verzeichnisdienste) werden analysiert, harmonisiert und in eine zentrale IAM-Architektur überführt.
Gemeinsam mit den beteiligten Organisationseinheiten werden Personengruppen, Rollenmodelle und Berechtigungsstrukturen definiert und in standardisierte Prozesse für Onboarding, Änderungen und Offboarding überführt. Parallel dazu erfolgt die Umsetzung technischer Komponenten sowie die Einführung von Self-Service-Funktionen, um Nutzenden eine eigenständige Verwaltung ihrer Konten und Dienste zu ermöglichen.
Die Umsetzung erfolgt schrittweise über Pilotierungen und iterative Weiterentwicklungen, um Anforderungen frühzeitig zu validieren und die Akzeptanz innerhalb der Universität sicherzustellen.
Ergebnisse
Das Projekt schafft die Grundlage für ein nachhaltiges, zentrales Identitäts- und Berechtigungsmanagement an der Universität Siegen. Durch die Einführung klar strukturierter Personengruppen, automatisierter Prozesse und integrierter Systeme werden Transparenz, Effizienz und Sicherheit signifikant erhöht.
Ein wesentliches Ergebnis ist die Etablierung eines standardisierten, nachvollziehbaren Zugriffsmodells, das sowohl den Anforderungen der IT-Sicherheit als auch den Bedürfnissen der Nutzerinnen und Nutzer gerecht wird. Gleichzeitig werden administrative Aufwände reduziert und neue digitale Services ermöglicht.
Langfristig trägt USIAM dazu bei, die Universität als moderne, digital aufgestellte Organisation weiterzuentwickeln und eine flexible Grundlage für zukünftige Anforderungen im Bereich IT-Services und Governance zu schaffen.
Validierung am realen System
Die entwickelten Algorithmen werden fortlaufend mit modernster Hardware getestet. Ziel ist es, die Diagnosequalität von Langzeit-EKGs (24–72 Stunden) signifikant zu verbessern und medizinisches Personal durch automatisierte Vorsortierungen zu entlasten.
