Verbesserung der Krankheitsklassifikation in Notfallszenarien durch synthetische Daten: eine vergleichende Studie
2026 M. F. Kabir, M. M. I. Nayem, S. Tomforde
Agents and Artificial Intelligence — Lecture Notes in Computer Science (LNCS), Springer Nature Switzerland, Cham, S. 286–308.
Eine vergleichende Studie dazu, wie synthetische Daten Modelle zur Krankheitsklassifikation in Notfallszenarien verbessern können, wenn echte, gelabelte Patientendaten knapp und unausgewogen sind.
Kabir, M. F., Nayem, M. M. I., & Tomforde, S. (2026). Enhancing disease classification in emergency medical scenarios through synthetic data: A comparative study. In Agents and Artificial Intelligence, Lecture Notes in Computer Science, Springer Nature Switzerland, S. 286–308.
Diagnose- und Behandlungsunterstützung als KI-gestütztes Assistenzsystem für die TeleNotArzt-Versorgung
2026 M. F. Kabir, K. Piliuk, S. Tomforde
Proceedings of the 18th International Conference on Agents and Artificial Intelligence (ICAART), INSTICC / SciTePress. Vol. 5, S. 4651–4660. ISBN 978-989-758-796-2.
Eine tiefe multimodale Architektur (Zeitreihensignale, tabellarische klinische Daten und Freitextnotizen), die probabilistische Rangfolgen wahrscheinlicher Diagnosen, therapeutischer Maßnahmen und erforderlicher physiologischer Messungen für die präklinische TeleNotArzt-Versorgung erzeugt. Evaluiert mit recall@k, makro-/gewichteter AUC und Coverage-Ratio-Metriken.
Kabir, M. F., Piliuk, K., & Tomforde, S. (2026). Diagnosis and treatment support as AI-driven assistant system for TeleNotary emergency care. In Proceedings of the 18th International Conference on Agents and Artificial Intelligence — Volume 5: ICAART, INSTICC, SciTePress, S. 4651–4660.
Synthetische Datengenerierung für Notfallmedizinsysteme: ein systematischer Vergleich von Tabular-GAN-Erweiterungen
2025 M. F. Kabir, M. M. I. Nayem, S. Tomforde
Proceedings of the 17th International Conference on Agents and Artificial Intelligence (ICAART), Volume 3, INSTICC / SciTePress, S. 1199–1206. ISBN 978-989-758-737-5.
Führt WLSTM-GAN ein — ein Generator mit zwei spezialisierten LSTM-Netzwerken und getrennten Diskriminatoren für kontinuierliche und kategoriale Merkmale — und vergleicht systematisch Tabular-GAN-Varianten an drei medizinischen Datensätzen; übertrifft Basismodelle bei Wiedergabetreue und Datenschutz für Notfalldaten.
Kabir, M. F., Nayem, M. M. I., & Tomforde, S. (2025). Synthetic data generation for emergency medical systems: A systematic comparison of tabular GAN extensions. In Proceedings of the 17th International Conference on Agents and Artificial Intelligence — Volume 3: ICAART, INSTICC, SciTePress, S. 1199–1206.
Eine tiefgehende Analyse zur Imputation fehlender Werte in medizinischen Notfällen
2024 M. F. Kabir, S. Tomforde
Proceedings of the 16th International Conference on Agents and Artificial Intelligence (ICAART), Volume 3, INSTICC / SciTePress, S. 1229–1236. ISBN 978-989-758-680-4.
Vergleicht klassische Verfahren des maschinellen Lernens mit Denoising-Autoencodern und Denoising-LSTM-Autoencodern zur Imputation vollständig zufällig fehlender numerischer Werte in einem echten (nicht öffentlichen) TeleNotArzt-Datensatz mit starker Klassenungleichheit und Ausreißern. Der Denoising-LSTM-Autoencoder schneidet am besten ab.
Kabir, M. F., & Tomforde, S. (2024). A deep analysis for medical emergency missing value imputation. In Proceedings of the 16th International Conference on Agents and Artificial Intelligence — Volume 3: ICAART, INSTICC, SciTePress, S. 1229–1236.
Ein Deep-Learning-Ansatz zur Klassifikation hochgradig heterogener Daten im Kontext der Behandlung medizinischer Notfälle
2024 M. F. Kabir et al.
In Organic Computing (S. Tomforde & C. Krupitzer, Hrsg.), Kapitel 10, kassel university press, S. 121–135.
Ein Buchkapitel mehrerer Autoren, das Deep Learning auf hochgradig heterogene Notfalldaten anwendet und diagnostische Kategorien, Medikamente und physiologische Messwerte klassifiziert, um schnellere TeleNotArzt-Entscheidungen zu unterstützen.
Aust, T., Cui, H., Botache, D., Decke, J., Frost, E., Gerling, V., Heider, M., Henrichs, E., Hubert, A., Kabir, M. F., Kisselbach, T., Meitz, L., Pilar von Pilchau, W., Oguz Saltık, A., Schönberner, C., Spils, M., Steinberger, M., Kaul, N.-H., & Reichert, H. (2024). A deep learning approach for the classification of highly heterogeneous data in the context of treatment of medical emergencies. In S. Tomforde & C. Krupitzer (Hrsg.), Organic Computing, Kapitel 10, kassel university press, S. 121–135.