Project

decision support; healthcare analytics; health management; latent state modeling; information systems; health IT

Lead
Die fortschreitende Digitalisierung im Gesundheitswesen ermöglicht detaillierte Einblicke in den Krankheitsverlauf von Patienten. Basierend darauf werden neue Entscheidungsunterstützungs-Systeme mittels künstlicher Intelligenz entwickelt. Diese helfen Ärzten und Patienten bei einem besseren Management mit Hinblick auf die Auswahl und die Terminierung von Behandlungen.
Lay summary
Aims Das übergeordnete Ziel in diesem Projekt ist die Entwicklung von neuen Technologien aus der präskriptiven Analytik mit dem Ziel Krankheitsverläufe besser zu managen. Dazu werden neue Algorithmen entwickelt, die insbesondere die temporale Komponente von Krankheiten modellieren und so zu einer effektiven Entscheidung beitragen. Um hier Theorie und Praxis zu vereinen wird Domänenwissen durch entsprechende Modellspezifikationen (z.B. latente Strukturen) abgebildet. Die Algorithmen werden anschließend in numerischen Simulationen getestet, um so Kostenimplikationen für das Gesundheitsmanagement bestimmen zu können. Die entwickelten Algorithmen sind insbesondere bei langandauernden (z.B. chronischen) Krankheiten von Vorteil. Scientific and societal context of the research project Bessere Entscheidungsunterstützungs-System ermöglichen einen direkten Nutzen für Ärzte und Patienten: Erstens tragen sie zu einer besseren Personalisierung der Behandlung entsprechend dem tatsächlichen Krankheitsverlauf bei und versprechen so eine höhere Effektivität. Zweitens ermöglichen sie empirisch belegbare Empfehlungen, sodass Behandlungen vorgeschlagen werden, die auch wirklich effektiv erscheinen. Drittens kann dies bei gleicher Effektivität zu geringeren Kosten für Patienten und die Gesellschaft führen.

Direct link to Lay Summary

Last update: 29.01.2020

Objective: Ongoing digitization in the healthcare sector has led to an abundance of digital health information, and yet data-driven decision support with the goal of improving the effectiveness of care is fairly scarce. A key challenge to a growing use of data-driven health management is that methodological routines for decision support must be further developed. Therefore, the objective of this project is to contribute data-driven decision support across various managerial tasks in disease management. This promises to provide more effective care at lower cost. Novelty: Prior research in healthcare analytics has been primarily concerned with an explanatory understanding (e.g., measuring ex post how risk factors were associated with the onset of diseases) or forecasts of expected health outcomes (e.g., predicting readmission risk). However, it has largely neglected prescriptive analytics in health management. Hence, we develop strategies for data-driven treatment planning and selection that add to the existing literature: longitudinal progression of diseases, cost-effective decision-making, cost-effectiveness, and comorbidities.Concrete results: This project develops data-driven decision support for health management in order to facilitate the tasks of treatment planning and treatment selection. Specifically, we want to contribute to the management question of when to choose which treatment.