Forschungsprofil
Forschung & akademische Interessen
Entwicklung eines Empfehlungssystems zur Diagnoseunterstützung in der Notfallmedizin — robust in komplexen, heterogenen und zeitkritischen Versorgungssituationen.
Der Schwerpunkt meiner Promotion an der Christian-Albrechts-Universität zu Kiel ist die Entwicklung eines Empfehlungssystems zur Diagnoseunterstützung in der Notfallmedizin — ein System, das Behandelnden hilft, aus unvollständigen, heterogenen und zeitkritischen Patientendaten zu einer Diagnose zu gelangen. Rund um dieses Ziel arbeite ich an der KI-gestützten Integration multimodaler klinischer Daten (Text, Bild, Tabellen und Zeitreihen), an der Imputation fehlender Werte, an synthetischer Datengenerierung sowie am Entwurf und der Evaluation der zugrunde liegenden Deep-Learning-Modelle. Diese Arbeit ist in der Intelligent Systems Group der Universität Kiel und im Projekt KIT2 (TeleNotArzt) verankert — einer abgeschlossenen praxisnahen Zusammenarbeit mit der RWTH Aachen.
Aktueller Forschungsschwerpunkt
- Ein Empfehlungssystem zur Diagnoseunterstützung in der Notfallmedizin (Hauptthema der Promotion)
- Deep Learning für heterogene und multimodale medizinische Daten
- Imputation fehlender Werte für medizinische Zeitreihen- und Tabellendaten
- Synthetische Datengenerierung für Anwendungen im Gesundheitswesen
- Krankheitsklassifikation und Behandlungsempfehlung in der Akutversorgung
Forschungsstärken
- Entwurf und Evaluation von KI-Modellen für medizinische Notfälle
- Vorverarbeitung und Imputation unvollständiger klinischer Datensätze
- Vergleichende Analyse von Deep-Learning- und generativen Tabellenmodellen
- Multimodales Lernen über Zeitreihen-, Tabellen- und Texteingaben
- Übersetzung analytischer Ergebnisse in Entscheidungsunterstützungs-Werkzeuge
Forschungsthemen
Forschungsansatz
Ich gehe Forschung über sorgfältige Modellierung, vergleichende Evaluation und praktische Relevanz für reale Probleme des Gesundheitswesens an. Ziel ist ein Diagnose-Empfehlungssystem, das unter den Bedingungen der Notfallversorgung zuverlässig ist — fehlende Werte, gemischte Datentypen und Entscheidungen unter Zeitdruck —, indem fortgeschrittene Methoden des maschinellen Lernens mit einem domänenspezifischen Verständnis von klinischer Datenqualität und Unsicherheit verbunden werden.