Dokument: Entwicklung des Virtual Doctor: Eine begehbare Kabine zur automatisierten medizinischen Datenerfassung und KI-gestützten Entscheidungsunterstützung
| Titel: | Entwicklung des Virtual Doctor: Eine begehbare Kabine zur automatisierten medizinischen Datenerfassung und KI-gestützten Entscheidungsunterstützung | |||||||
| Weiterer Titel: | Development of the Virtual Doctor: A Walk-In Cabin for Automated Medical Data Acquisition and AI-Driven Decision Support | |||||||
| URL für Lesezeichen: | https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=73469 | |||||||
| URN (NBN): | urn:nbn:de:hbz:061-20260610-095705-8 | |||||||
| Kollektion: | Dissertationen | |||||||
| Sprache: | Deutsch | |||||||
| Dokumententyp: | Wissenschaftliche Abschlussarbeiten » Dissertation | |||||||
| Medientyp: | Text | |||||||
| Autor: | Ruhland, Jan Benedikt [Autor] | |||||||
| Dateien: |
| |||||||
| Beitragende: | Heider, Dominik [Gutachter] Klau, Gunnar W. [Gutachter] | |||||||
| Dewey Dezimal-Klassifikation: | 000 Informatik, Informationswissenschaft, allgemeine Werke » 004 Datenverarbeitung; Informatik | |||||||
| Beschreibungen: | Das deutsche Gesundheitssystem steht zunehmend aufgrund demografischer Veränderungen sowie deutlicher Unterschiede in der medizinischen Versorgung zwischen städtischen und ländlichen Regionen unter Druck. Die COVID-19-Pandemie im Jahr 2019 hat die strukturellen Schwächen des Systems offen sichtbar gemacht und die Überlastung des medizinischen Personals weiter verstärkt.
Ein vielversprechender Ansatz zur Entlastung des medizinischen Personals, zur Reduktion regionaler Ungleichheiten in der Gesundheitsversorgung und zur Förderung einer personalisierten Diagnostik ist der gezielte Einsatz von Künstliche Intelligenz (KI) in der Medizin. Obwohl KI bereits in bestimmten Anwendungsfeldern etabliert ist, bleibt das volle Potenzial dieser Technologie im klinischen Alltag bislang weitgehend ungenutzt. Im Rahmen dieser Dissertation werden vier Projekte vorgestellt, die die Entwicklung und Integration KI-gestützter Verfahren in das Konzept der "Virtual Doctor"-Kabine zum Ziel haben. Diese Kabine ist mit verschiedenen biomedizinischen Sensoren ausgestattet und nutzt KI-Modelle, um eine automatisierte Gesundheitsbewertung von Patientinnen und Patienten zu ermöglichen. Die Konzeption, technische Umsetzung und Integration von Hardware- und Softwarekomponenten zur Realisierung der "Virtual Doctor"-Kabine bildet das übergeordnete Projekt, in das die drei weiteren Projekte eingebettet sind. Das zweite Projekt behandelt die methodischen Grundlagen des Deep Learning. Ein Schwerpunkt liegt auf der Anwendung eines adaptiven Normalisierungsverfahrens in neuronalen Netzwerken, das anhand unterschiedlicher medizinischer Datensätze systematisch untersucht wird. Diese Methodik trägt zu einer verbesserten Anpassung der Modelle an heterogene klinische Daten bei und erhöht dadurch die Genauigkeit diagnostischer Verfahren. Das dritte Projekt widmet sich der Entwicklung eines KI-Systems zur automatisierten Erkennung pathologischer Merkmale in retinalen Fundusaufnahmen. Die Bilder wurden im Rahmen einer klinischen Studie erhoben und durch Annotationsdaten ergänzt, wodurch ein fundierter Trainings- und Validierungsprozess ermöglicht wird. Die gewonnenen Erkenntnisse flossen direkt in das "Virtual Doctor"-System ein und können dort künftig für klinische Entscheidungshilfen in der augenärztlichen Diagnostik genutzt werden. Das vierte Projekt beschäftigt sich mit der Implementierung eines sprachbasierten Anamnesesystems. Zu diesem Zweck wurde ein Chatbot entwickelt, der strukturierte anamnestische Gespräche mit Patientinnen und Patienten führt und die erfassten Informationen für medizinisches Fachpersonal standardisiert aufbereitet. Ergänzend wurde ein virtueller Avatar auf Grundlage generativer Bildmodelle integriert, der die Interaktion mit dem System menschlicher und intuitiver gestaltet.The German healthcare system is increasingly under pressure due to demographic changes and significant disparities in medical care between urban and rural regions. The COVID-19 pandemic in 2019 highlighted the structural weaknesses of the system and further exacerbated the burden on healthcare personnel. A promising approach to alleviate the workload of healthcare staff, reduce regional inequalities in medical care, and promote personalized diagnostics is the targeted use of Artificial Intelligence (AI) in medicine. Although AI is already established in certain applications, its full potential in everyday clinical practice remains largely untapped. This dissertation presents four projects that focus on the development and integration of AI-based methods into the concept of the "Virtual Doctor" cabin. This cabin is equipped with various biomedical sensors and uses AI models to enable automated health assessments of patients. The design, technical implementation, and integration of hardware and software components for the realization of the "Virtual Doctor" cabin constitute the overarching project, into which the three other projects are embedded. The second project addresses the methodological foundations of deep learning. A particular focus is on the application of adaptive normalization techniques in neural networks, which are systematically evaluated using diverse medical datasets. This methodology improves the adaptation of models to heterogeneous clinical data, thereby enhancing the accuracy of diagnostic procedures. The third project focuses on the development of an AI system for the automated detection of pathological features in retinal fundus images. The images were collected as part of a clinical study and enriched with annotation data to enable robust training and validation of the model. The findings from this project were directly integrated into the Virtual Doctor system and can be used in the future to support clinical decision-making in ophthalmology. The fourth project deals with the implementation of a speech-based anamnesis system. A chatbot was developed to conduct structured anamnesis interviews with patients and to provide the collected information in a standardized format for healthcare professionals. Additionally, a virtual avatar based on generative image models was integrated to make interactions with the system more natural and intuitive. | |||||||
| Lizenz: |  Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz | |||||||
| Fachbereich / Einrichtung: | Mathematisch- Naturwissenschaftliche Fakultät » WE Informatik | |||||||
| Dokument erstellt am: | 10.06.2026 | |||||||
| Dateien geändert am: | 10.06.2026 | |||||||
| Promotionsantrag am: | 02.12.2025 | |||||||
| Datum der Promotion: | 28.05.2026 |
