Oktober 2020

„Hallo Cusa, ich möchte die Besuchsliste ändern.“

 

Ein interdisziplinäres HDP-Team aus KI-Experten, System-Developern, Trainern und Fachexperten hat im Rahmen eines Exposés Einsatzgebiete abgesteckt, Verfahren erprobt, Umsetzungen getestet und konsequent die Weiterentwicklung von Cusa zur KI-unterstützten Branchenlösung vorangetrieben.  

 

HDP Exposé KI/ML, Woche 4

„Längst haben Siri, Alexa, Google Assistent & Co. Einzug in unsere Wohnzimmer, Smartphones und Autos gehalten. Könnten Sie womöglich auch den Gutachtern des Bereichs Prävention ihre Arbeit erleichtern? Unser Team kann sich dies gut vorstellen, sodass wir uns auf dieses Glatteis jenseits konventioneller Benutzeroberflächen gewagt haben. Diesen Versuch können wir ruhigen Gewissens wagen, denn unser primärer Usecase "Bestimmung der Zielprognose" (RuL) steht auf sehr solidem Grund.

Die Krux mit den Sprachassistenten

Bei unseren ersten wackeligen Gehversuchen lagen uns tatsächlich einige Steine im Weg: So ist das Kunstwort "CUSA" für Sprachassistenten gar nicht so einfach zu verstehen, denn es steht ja in keinem Wörterbuch. So wird aus "CUSA" schnell "Cousin" oder gar "Cruiser". Aber Wörter aus dem Duden können tückisch sein: So wird das Wort "Prävention" ganz gut erkannt - zumindest sofern man sich als Rheinland-Pfälzer bemüht das "ä" als solches auszusprechen und nicht als "e". Aber gleichzeitig scheint die App-Ausführungsumgebung nicht richtig gut mit Umlauten in Namen von Apps getestet zu sein.
An dieser Stelle möchten wir uns aufrichtig bei allen Kollegen entschuldigen, die unseren zugegebenermaßen monotonen Konversationen mit Siri lauschen mussten.

Zielprognose zur Zielprognose – es geht weiter

Dass wir mit einfachen neuronalen Netzen gute Prognosen erzielen können, hatten wir bereits aufgezeigt. Mittlerweile haben wir diese ML-Modelle stark verbessert und noch eine weitere wichtige Anpassung vorgenommen: Es werden nun auch Vorschäden und Komplikationen bei den Prognosen berücksichtigt.

Um die Funktionalität unseres Modells zu testen, haben wir uns umfangreiche Simulationsdaten erzeugt - ähnlich, wie wir sie beim Kunden erwarten. Mit deren Hilfe konnten wir uns davon überzeugen, dass unser Konzept funktioniert.

Was ist an Vorschäden und Komplikationen nun so besonders? Im Grunde sind dies auch nur weitere Parameter, die die Zielprognose beeinflussen. Wir haben sie aus zwei Gründen zunächst außer Acht gelassen:

Zum Ersten sind in der Prognose nach Weller* diese Parameter vorgesehen, werden jedoch aktuell kaum berücksichtigt. Es gibt derzeit nur eine einzige Komplikation, die die Zielprognose beeinflusst. Wir haben also keine Referenzdaten. Zum Zweiten können zu einem Unfall mehrere (oder keine) Vorerkrankungen oder Komplikationen existieren. Dies bedeutet, unser Modell muss mit einer variablen Anzahl von Parametern umgehen können.

Um diesen Herausforderungen zu begegnen haben wir ca. 190.000 Datensätze erzeugt, welche Vorerkrankungen und Komplikationen beinhalten. Wir gehen davon aus, dass bei den Unfallversicherungsträgern ähnliche Daten existieren. Die zweite Herausforderung war deutlich kniffliger zu lösen. Nach verschiedenen Lösungsansätzen haben wir uns dazu entschlossen, das Machine-Learning-Modell mit Eingabeschnittstellen für jeweils drei Vorerkrankungen und Komplikationen zu versehen.

Die Ergebnisse dieser Umsetzung demonstrierten, dass es sinnvoll sein kann Künstliche Intelligenz in diesem Usecase einzusetzen.“

* Siegfried Weller war ein deutscher Unfallchirurg. Bis zu seiner Emeritierung 1996 war Weller Ärztlicher Direktor der Berufsgenossenschaftlichen Unfallklinik Tübingen und verfasste zahlreiche Publikationen und Standardlehrbücher in der Unfallchirurgie.
Unter Leitung von Weller entstand die „Weller-Datenbank, Weller-Tabelle“. Diese Tabelle enthält praktisch alle gängigen Verletzungsmuster, gegliedert nach dem so genannten „Weller-Key“. Zu jedem Weller-Key werden prognostische Einschätzungen zum Heilverfahren gegeben (Behandlungsmethoden, Physiotherapie, Heilverlauf, Komplikationsrisiken, Ausfallzeiten usw.).
Die Weller-Datenbank ist in erfolgreichem Einsatz bei gewerblichen Berufsgenossenschaften, landwirtschaftlichen Berufsgenossenschaften, Unfallkassen und mittlerweile auch bei privaten Versicherungsträgern.

Instagram