BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//ESSC-D - ECPv6.15.20//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:ESSC-D
X-ORIGINAL-URL:https://www.sixsigmaclub.de
X-WR-CALDESC:Veranstaltungen für ESSC-D
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Berlin
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20220327T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20221030T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20230326T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20231029T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20240331T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20241027T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Berlin:20230505T150000
DTEND;TZID=Europe/Berlin:20230505T163000
DTSTAMP:20260422T125956
CREATED:20230127T071834Z
LAST-MODIFIED:20230127T072859Z
UID:2660-1683298800-1683304200@www.sixsigmaclub.de
SUMMARY:Maschinelles Lernen zur Vorhersage von Schwerstschadenereignissen in Krankenhäusern
DESCRIPTION:In Krankenhäusern kommt es immer wieder zu unvorhergesehenen Ereignissen und zu Schwerstereignissen (SE). Dazu gehören u.a. Nierenversagen\, Sepsis oder auch die Notwendigkeit von Bluttransfusionen und viele andere Ereignisse\, die nicht immer aus dem Krankheitsverlauf erwartbar sind\, aber trotzdem eine drastische Verschlechterung des Gesundheitszustands von Patienten zur Folge haben können. Die Analyse und Vermeidung solcher SE ist Teil der Qualitätssicherung in Krankenhaus. Bisher wurden solche SE durch manuelle Sichtung von Patientenakten durch qualifizierte Ärzte untersucht und Handlungsempfehlungen für die Prozesse und Behandlungen im Krankenhaus gegeben. \nIn unserem Forschungsprojekt entwickeln wir Machine Learning-Modelle\, um Schwertschadenereignisse aus elektronischen Patientendaten vorherzusagen. Ein erster Schritt war die Vorhersage schwerer Krankheitsverläufe von COVID-19-Patienten\, bei der wir mit hoher Genauigkeit Hochrisikopatienten schon 24 Stunden nach der Vorstellung im Krankenhaus identifizieren können. Ein weiteres Beispiel ist die frühe Vorhersage von Nierenversagen\, die anhand weniger Laborwerte möglich ist. In Zukunft werden wir diese Modelle auf weitere Klassen von schweren Schäden erweitern\, um ein zeitaufgelöstes datengetriebenes Patientenmonitoring zu ermöglichen. Damit kann in Zukunft sowohl die Patientensicherheit erhöht als auch die Arbeitsbelastung in Krankhaus verringert werden. \nReferent: Maik Kschischo\, Hochschule Koblenz\, RheinAhrCampus\, Fachbereich Mathematik und Technik\, Joseph-Rovan-Allee 2\, 53424 Remagen \n 
URL:https://www.sixsigmaclub.de/event/maschinelles-lernen-zur-vorhersage-von-schwerstschadenereignissen-in-krankenhaeusern/
LOCATION:Online-Vortrag
CATEGORIES:Online-Vortrag
ATTACH;FMTTYPE=image/jpeg:https://www.sixsigmaclub.de/wp-content/uploads/HealthOnlineVortrag-e1674804093677.jpg
ORGANIZER;CN="European Six Sigma Club Deutschland e.V.":MAILTO:buero@sixsigmaclub.de
END:VEVENT
END:VCALENDAR