Tab. 1: Übersicht über KI-Anwendungen/Modelle in der Laboratoriumsmedizin.
Anhand des Laborablaufs tabellarisch aufgeführt sind aller Ergebnisse der nicht-systematischen expertenbasierten Recherche zu kommerziellen Anwendungen und aktuellen Forschungsansätzen zum Thema KI in der Laboratoriumsmedizin. Kein Anspruch auf Vollständigkeit. Alle Angaben ohne Gewähr.
Bezeichnung/Kurzbeschreibung | Entwickler bzw. Referenz | Beschreibung | Stand der Zertifizierung | Link (Stand zum 27.12.2023) | DOI |
|---|---|---|---|---|---|
| 1. Laborauftrag | |||||
| Anforderungserfassung | |||||
| medicalvalues Platform (mit KI-gestütztem Order Entry) | medicalvalues | Die medicalvalues-Plattform nutzt eine Kombination aus Machine Learning und einem Knowledge Graph, um den Diagnoseprozess im Bereich medizinischer Labordaten zu unterstützen. Ärzten steht eine Benutzeroberfläche zur Verfügung, die bei der Auswahl von zu analysierenden Parametern und Proben assistiert und Diagnosevorschläge, einschließlich von Differentialdiagnosepfaden, unterbreitet. Durch diese Funktionalitäten hat medicalvalues das Potential die Früherkennung von Krankheiten wie Diabetes, Fettstoffwechselerkrankungen und Anämie zu verbessern. | ISO 13485 DQS | www.medicalvalues.de/de/ | |
| medicalvalues Data Mapper (LOINC®-Mapping) | medicalvalues | Automatisches Zuweisen von LOINC®-Codes | ISO 13485 DQS | www.medicalvalues.de/de/loinc-mapping/ | |
| Nachforderungsregelwerk | |||||
| keine Anwendung identifiziert | |||||
| Kommunikationslogbuch | |||||
| keine Anwendung identifiziert | |||||
| 2. Präanalytik | |||||
| Probenentnahme | |||||
| Vitestro | Vitestro | Vitestro zielt darauf ab den Blutentnahmeprozess mit intelligenten Softwarelösungen zu optimieren. Die Integration der Software wird durch Vitestro's Gerät verstärkt, das eine auf KI-basierende, ultraschallgeführte 3D-Rekonstruktion mit robotergesteuerter Nadelplatzierung kombiniert, um eine genaue und sichere Blutentnahme zu gewährleisten. Der gesamte Vorgang erfolgt vollautomatisch. | nicht zertifiziert | www.vitestro.com | |
| Transport | |||||
| robobrain® | robominds | Die auf KI basierende Steuerungsplattform robobrain® ermöglicht in Verbindung mit dem Roboterbetriebssystem NEUROS 2.0 und maßgeschneiderten KI-Skills die flexible Steuerung und Kombination von verschiedenen Komponenten wie Roboterarmen, Greifern und Vision-Systemen. Herstellerunabhängig können individuelle Lösungen für Lager- und Laborautomatisierung entwickelt werden. Diese Flexibilität soll dazubeitragen, kosteneffiziente Lösungen zu schaffen, wobei der Programmieraufwand erheblich reduziert und die Wiederverwendbarkeit von Lösungen gefördert wird. | Keine für die Laboratoriumsmedizin spezifische Zertifizierung notwendig, da lediglich mit geschlossenem Probengut gearbeitet wird. | www.robominds.de/produkte/robobrain | |
| Tourenmanagement | |||||
| keine Anwendung identifiziert | |||||
| Probeneingang | |||||
| keine Anwendung identifiziert | |||||
| Anforderungsprüfung | |||||
| Automatisches Identifizieren falsch gelabelter Laborproben | Farrell et al., 2021 | Es wurde untersucht, ob Machine-Learning-Modelle bei der Identifizierung von Probenidentifikationsfehlern Delta-Checks überlegen sind. Um dies zu untersuchen, wurden acht verschiedene Machine-Learning-Modelle mit unterschiedlichen Algorithmen, darunter künstliches neuronales Netzwerk, extreme Gradientenverstärkung, Support-Vektor-Maschine, Random Forest, logistische Regression, K-Nächste-Nachbarn-Algorithmus sowie zwei Entscheidungsbäume auf 127.256 Datensätzen entwickelt. Das künstliche neuronale Netzwerk erwies sich als das am besten abschneidende Machine-Learning-Modell mit einer Genauigkeit von 92,1%, während der einfache Entscheidungsbaum die geringste Genauigkeit aufwies. | nicht zertifiziert | www.pubmed.ncbi.nlm.nih.gov/34210147/ | https://doi.org/10.1177/00045632211032991 |
| 3. Analytik | |||||
| Workflowmanagement | |||||
| keine Anwendung identifiziert | |||||
| Automatische Analytik | |||||
| Detektion von Clots in Gerinnungsproben | Fang et al., 2021 | In dieser Studie wurde die Anwendbarkeit von maschinellem Lernen zur Identifizierung von Blutgerinnseln untersucht. Die Forscher verwendeten Ergebnisse von Gerinnungstests, die 192 Proben mit Blutgerinnseln und 2.889 Proben ohne erkannte Gerinnsel umfassten. Mithilfe von Standard- und Momentum-Backpropagation-Neuronalen Netzwerken, die mit einer Fünf-Fach-Kreuzvalidierungsmethode trainiert und validiert wurden, konnte die Vorhersageleistung der Modelle bewertet werden. Die Ergebnisse zeigten intrinsische Unterschiede zwischen den beiden Gruppen in den Testergebnissen und der t-SNE-Analyse. Sowohl die Standard- als auch die Momentum-BPNNs konnten den Probenstatus (geronnen oder nicht-geronnen) erfolgreich identifizieren. | nicht zertifiziert | www.degruyter.com/document/doi/10.1515/cclm-2021-0081/html | https://doi.org/10.1515/cclm-2021-0081 |
| Neuronales Netz zur Einschätzung der Serum-Qualität auf Basis von Fotos | Yang et al., 2022 | In dieser Studie wurde ein auf Deep Learning basiertes System entwickelt, um die Serumqualität mit Hilfe von Fotos automatisch zu beurteilen, anstatt durch visuelle Inspektion. Trainiert mit 16.427 Blutbildern, erreichte das Modell hohe Genauigkeit bei der Erkennung qualifizierter, nicht qualifizierter und bildgestörter Proben. Das System zeigt vielversprechende Anwendungsmöglichkeiten zur Steigerung der Effizienz klinischer Labore. | nicht zertifiziert | www.pubmed.ncbi.nlm.nih.gov/35421398/ | https://doi.org/10.1016/j.cca.2022.04.010 |
| CellaVision® Peripheral Blood Application | CellaVision® | KI-gestützte Hämatologiesoftware zur automatisierten Beurteilung und Kategorisierung von peripheren Blutausstrichen. In Verbindung mit CellaVision-Analysegeräten und unterstützender Software beschleunigt und vereinfacht die Anwendung den Überprüfungsprozess, wobei gleichzeitig standardisierte Ergebnisse erzielt werden. Die Anwendung unterstützt die Differentialzählung der weißen Blutkörperchen (WBC), die Überprüfung der roten Blutkörperchen (RBC), die Beurteilung der Blutplättchen sowie einen Überblick über den gefiederten Rand. Die Software extrahiert Zellmerkmale aus digitalen Bildern und liefert eine Vor-Klassifizierung der Zellen. Diese wird anschließend von einem medizinisch-technischen Laboranten überprüft und verifiziert. | IVDR (EU) 2017/746; ISO 13485:2016 | https://www.cellavision.com/products/software/cellavisionr-peripheral-blood-application | |
| CellaVision® Advanced RBC Application | CellaVision® | Die CellaVision Advanced RBC Application erweitert die Funktionen der Peripheral Blood Application und ermöglicht eine gründlichere Untersuchung der Morphologie der roten Blutkörperchen (RBC). Durch Extraktion von Zellmerkmalen aus digitalen Bildern bietet die Software eine vorausschauende Charakterisierung der RBCs mithilfe innovativer KI-Technologie. Diese vorläufige Charakterisierung wird im Anschluss von einem medizinisch-technischen Laboranten überprüft und bestätigt. | IVDR (EU) 2017/746; ISO 13485:2016 | htps://www.cellavision.com/products/software/cellavisionr-advanced-rbc-application | |
| CellaVision® Body Fluid Application | CellaVision® | CellaVision Body Fluid Application automatisiert und standardisiert die morphologische Untersuchung von Körperflüssigkeitspräparaten. In Verbindung mit CellaVision-Analysegeräten beschleunigt die Anwendung den Überprüfungsprozess, liefert standardisierte Ergebnisse und unterstützt die Differentialzählung der weißen Blutkörperchen (WBC) durch eine präzise Vor-Klassifizierung in 5 Zelltypen. Die Software extrahiert zelluläre Merkmale aus digitalen Bildern und bietet eine Vor-Klassifizierung mithilfe innovativer KI-Technologie, die von einem medizinisch-technischen Laboranten überprüft wird. | IVDR (EU) 2017/746; ISO 13485:2016 | www.cellavision.com/products/software/cellavisionr-body-fluid-application | |
| CellaVision® DM1200 | CellaVision® | Der CellaVision DM1200 automatisiert die Erfassung hochwertiger Zellbilder aus Blut- und Körperflüssigkeitsproben. Durch das Scannen des Objektträger-Barcodes und die Abfrage des Laborinformationssystems nach Patientendaten und Auftragsinformationen wird der Prozess gesteuert. Das System identifiziert automatisch die Einzelschicht, lokalisiert Zellen und erfasst Bilder. Nach Abschluss werden vorab klassifizierte WBCs und charakterisierte RBCs dem Medizinisch-Technischen Laboranten zur Überprüfung präsentiert. | IVDR (EU) 2017/746; ISO 13485:2016 | https://www.cellavision.com/products/analyzers/cellavisionr-dm1200 | |
| CellaVision® DM9600 | CellaVision® | Der CellaVision DM9600 automatisiert die Blut- und Körperflüssigkeitsdifferenzierung, nutzt Hochgeschwindigkeitsrobotik und digitale Bildgebung. Das System scannt den Objektträger, ruft Daten vom Laborinformationssystem ab, platziert ihn unter das Mikroskop, identifiziert die Einzelschicht, lokalisiert und erfasst Zellen. Nach Verarbeitung zeigt es vorklassifizierte weiße Blutkörperchen und vorcharakterisierte rote Blutkörperchen zur Überprüfung. | IVDR (EU) 2017/746; ISO 13485:2016 | https://www.cellavision.com/products/analyzers/cellavisionr-dm9600 | |
| DIFF-Line™ by CellaVision | CellaVision® | Die DIFF-Line-Lösung von CellaVision® umfasst drei Instrumente: CellaVision® DC-1, RAL® SmearBox und RAL® StainBox. Der DC-1 automatisiert die Analyse peripherer Blutausstriche unter Verwendung von KI. Die RAL SmearBox erzeugt hochwertige Ausstriche direkt aus geschlossenen Probenröhrchen. Die RAL StainBox färbt Blutausstriche konsistent und leitet das Labor durch einen schrittweisen Prozess, wobei methanol-freie Färbemittel verwendet werden. Alle Komponenten bilden eine DIFF-Line für kleinere Labore. | IVDR (EU) 2017/746; ISO 13485:2016 | https://www.cellavision.com/products/analyzers/diff-linetm-cellavision | |
| Decision Support System (DSS) für die "Full-Field Peripheral Blood Smear Application" auf dem Scopio X100 | Scopio | Die Full-Field Peripheral Blood Smear Application auf dem X100 bietet ein KI-gestütztes Entscheidungsunterstützungssystem (DSS), das die Effizienz und Konsistenz in der Laborarbeit erheblich steigert. Durch die Integration von künstlicher Intelligenz ermöglicht das DSS Laborexperten eine präzisere Durchführung von WBC-Differenzialzählungen, RBC-Morphologiebewertungen und Thrombozytenschätzungen. Die Technologie verbessert die Diagnosegenauigkeit und optimiert die Arbeitsabläufe, da die Bearbeitungszeit für die Überprüfung peripherer Blutausstriche um 60% reduziert wird. | CE-zertifiziert; durch die FDA zugelassen | www.scopiolabs.com/peripheral-blood-smear/ | |
| Digitale Morphologie des peripheren Bluts: Unterscheidung zwischen MDS und AA | Kimura et al., 2019 | Ein automatisiertes diagnostisches Unterstützungssystem für myelodysplastische Syndrome (MDS) wurde entwickelt, indem ein tiefes Lernsystem (DLS) mit Convolutional Neural Networks (CNNs) für die Blutzellbilderkennung und ein Entscheidungssystem mit extreme gradient boosting (XGBoost) kombiniert wurden. Das System klassifizierte erfolgreich 17 Blutzelltypen und 97 morphologische Merkmale mit hoher Sensitivität und Spezifität. Es differenzierte MDS von aplastischer Anämie mit 96,2 % Sensitivität und 100 % Spezifität. Dies markiert das erste auf CNN basierende automatisierte Diagnosesystem für MDS, anwendbar für verschiedene hämatologische Störungen. | nicht zertifiziert | www.pubmed.ncbi.nlm.nih.gov/31527646/ | https://doi.org/10.1038/s41598-019-49942-z |
| Digitale Morphologie des peripheren Bluts: Morphologie der Erythrozyten | Durant et al., 2017 | Diese Studie untersucht die Anwendung maschineller Lernansätze, insbesondere sehr tiefer Convolutional Neural Networks (CNNs), zur automatischen Klassifizierung von Erythrozytenmorphologieprofilen. Das Ensemble-Modell erreichte hohe Genauigkeiten (Recall 92,70%, Precision 89,39%) auf nicht gesehenen Daten, und im Testset mit 748 Zellen betrug die korrekte Klassifikationshäufigkeit 90,60%. Dies deutet darauf hin, dass Erythrozytenmorphologieprofile präzise mit sehr tiefen CNNs gemessen werden können. | nicht zertifiziert | www.pubmed.ncbi.nlm.nih.gov/28877918/ | https://doi.org/10.1373/clinchem.2017.276345 |
| Digitale Morphologie des peripheren Bluts: Malariaerkennung | Molina et al., 2020 | Innerhalb dieser Studie wurde wurde ein maschineller Lernansatz entwickelt, der Malaria-erkrankte Erythrozyten nicht nur von normalen, sondern auch von anderen Einschlüssen wie Howell-Jolly- und Pappenheimer-Körpern unterscheiden kann. Das System erreichte eine Genauigkeit von 97,7% für sechs Erythrozyten-Einschlüsse und zeigte 100% Sensitivität und 90% Spezifität bei der Malaria-Erkennung. | nicht zertifiziert | www.pubmed.ncbi.nlm.nih.gov/32179558/ | https://doi.org/10.1136/jclinpath-2019-206419 |
| Digitale Morphologie des peripheren Bluts: Identifizierung von Retikulozyten | Wang et al., 2021 | In dieser Studie wurde die Anwendung von tiefen neuronalen Netzwerken zur schnellen und präzisen Bestimmung von Retikulozyten in Blutproben untersucht. Obwohl die manuelle Methode zur Retikulozytenzählung durch Lichtmikroskopie subjektiv und ungenau ist, bleibt sie als Referenzmethode akzeptiert, da die präzisere Durchflusszytometrie-Methode gelegentlich irreführende Ergebnisse liefert. In dieser Studie wurden 40 Blutproben verwendet, um ein tiefes neuronales Netzwerk zu trainieren, das in der Lage ist, Retikulozyten auf Mikroskopbildern präzise zu erkennen. Die Ergebnisse zeigten eine herausragende Leistung des Modells mit einer Genauigkeitsrate und Schnelligkeit von über 97%. Diese Methode hat das Potenzial, als schnelle computerunterstützte Technik für die Retikulozytenzählung eingesetzt zu werden. | nicht zertifiziert | www.pubmed.ncbi.nlm.nih.gov/34014615/ | https://doi.org/10.1111/ijlh.13588 |
| Digitale Morphologie von Knochenmarkaspiratspräparaten (Klassifizierung von reifen und unreifen weißen Blutkörperchen, Vorhersage und Rückfall von HCT) | Matek et al., 2021 | Die Klassifikation der Zytomorphologie von Knochenmarkszellen wird aufgrund eines Mangels an Datensätzen und trainierten Modellen nach wie vor täglich tausende Male manuell durchgeführt. In dieser Studie wurden gefalteten neuronale Netzwerke (Convolutional Neural Networks, CNNs) auf einen großen Datensatz von 171.374 mikroskopischen zytologischen Bildern angewendet, die aus Knochenmarkausstrichen von 945 Patienten stammen, die mit verschiedenen hämatologischen Erkrankungen diagnostiziert wurden. Die gefalteten neuronalen Netzwerke übertreffen bisherige ansatzbasierte Methoden und liefern einen Proof-of-Concept für das Klassifikationsproblem einzelner Knochenmarkszellen. Diese Studie ist ein Schritt in Richtung automatisierte Auswertung der Morphologie von Knochenmarkszellen mithilfe von Bildklassifikationsalgorithmen. | nicht zertifiziert | www.pubmed.ncbi.nlm.nih.gov/34792573/ | https://doi.org/10.1182/blood.2020010568 |
| Digitale Morphologie von Knochenmarkaspiratspräparaten: Vorhersage und Rückfall von allogenen hämatopoetischen Stammzelltransplantationen | Arabyarmohammadi et al., 2022 | Die Studie erforscht die computergestützte Extraktion von Morphologie- und Texturmerkmalen aus Chromatinmustern von Myeloblasten, um einen Rückfall nach allogener hämatopoetischer Stammzelltransplantation (HCT) bei Patienten mit akuter myeloischer Leukämie (AML)/Myelodysplastischem Syndrom (MDS) vorherzusagen. Der Risikoscore, basierend auf diesen Merkmalen, war signifikant mit der rückfallfreien Überlebenszeit assoziiert und prädiktiv für einen AML-Rückfall. Die aus den Chromatinmustern von Myeloblasten extrahierten Texturmerkmale können somit einen Rückfall nach HCT vorhersagen und die rückfallfreie Überlebenszeit von Patienten mit AML/MDS prognostizieren. | nicht zertifiziert | www.pubmed.ncbi.nlm.nih.gov/35522898/ | https://doi.org/10.1200/CCI.21.00156 |
| EUROPattern Microscope | Euroimmun | Die computergestützte Immunfluoreszenz-Mikroskopie (CAIFM) wird durch das EUROPattern Microscope ermöglicht, welches eine vollautomatische IIFT-Diagnostik von der Objektträgerzufuhr bis zur Befunderstellung gewährleistet. Die erfassten Bilddaten werden an die Mustererkennungssoftware EUROPattern Classifier weitergeleitet, die auf Deep Convolutional Neuronal Networks basiert. Diese Software klassifiziert nicht nur Ergebnisse in "positiv" und "negativ", sondern identifiziert auch Muster für verschiedene Antikörper, einschließlich ANA, ANCA, AMA und Anti-LKM. | IVDR (EU) 2017/746 | www.euroimmun.de/de/automatisierung/iift/europattern/ | |
| EUROPattern Microscope Live | Euroimmun | Das EUROPattern Microscope Live ermöglicht eine vollautomatische Immunfluoreszenz-Analyse durch Mustererkennung mit Deep-Convolutional-Netzwerken. Es beinhaltet ebenso Live-Mikroskopie, Zoomfunktion, sowie die Möglichkeit des gemeinsamem Mikroskopierens. Das System mikroskopiert automatisch verschiedene Substrate wie Gewebe, HEp-2-Zellen und Granulozyten. Die Fokussierung erfolgt automatisch durch Laser-Fokustechnologie und die Signalintensität wird durch eine selbst regulierende LED und automatische Kalibrierung gewährleistet. | IVDR (EU) 2017/746 | www.euroimmun.de/de/automatisierung/iift/europattern-microscope-live/ | |
| LensHooke® X1 Pro Semen Quality Analyzer | nal von minden GmbH | Vollautomatisiertes Spermienanalysegerät welches mittels KI-Algorithmus die vier Diagnose-Schlüsselfaktoren analysiert: pH, Konzentration, Morphologie und Motilität. Das Video der automatischen Zählung wird zur späteren Ansicht aufgezeichnet. | EN ISO 13485:2018; ISO 9001:2015 | www.spermienanalyse.de | |
| Infinicyt™ 2.0.6 | Cytognos™ (in Koordination mit EuroFlow™) | Software für Durchflusszytometrie (automatisiertes Gating, Empfehlung weiterer Tests, Vorschlag möglicher Diagnosen), Cytognos hat die Software Infinicyt™ 2.0.6 veröffentlicht, die darauf abzielt die Effizienz der Durchflusszytometrie zu steigern. Es sind sowohl automatisierte Analysen mit dem Automated Gating & Identification (AG&I)-Tool als auch manuelle Analysen für die Diagnose onkohämatologischer Erkrankungen und primärer Immundefekte sowie zur Bewertung des Immunsystems möglich. | CE-IVD | www.cytognos.com/infinicyt/ | |
| Durchflusszytometrie-Analyse: Klassifikation von reifen B-Zell-Neoplasien | Zhao et al., 2020 | Die Studie nutzte Multiparameter-Durchflusszytometrie (MFC)-Daten, die als Bild dargestellt und durch Computer-Vision-Methoden analysiert wurden. Ein faltendes neuronales Netzwerk wurde trainiert, um zwischen Proben von erkrankten und gesunden Patienten zu unterscheiden sowie sieben Unterarten reifer B-Zell-Neoplasien zu identifizieren. | nicht zertifiziert | www.pubmed.ncbi.nlm.nih.gov/32519455/ | https://doi.org/10.1002/cyto.a.24159 |
| Durchflusszytometrie-Analyse: Vorhersage von akuter Leukämie | Monaghan et al., 2022 | Ziel der Studie war es, die Durchflusszytometrie (FC) mit maschinellem Lernen (ML) zu nutzen, um akute Leukämien, einschließlich APL, von nicht-neoplastischen Zytopenien zu unterscheiden. Durch die Anwendung von ML-Methoden auf Daten von 531 Patienten wurde ein Modell entwickelt, das mit hoher Genauigkeit (94,2% ACC, 99,5% AUC) arbeitet. Die Betonung lag auf der Identifikation von Schlüsselparametern, wobei bereits mit nur 3 Parametern ähnliche Leistungen erzielt wurden (91,7% ACC, 98,3% AUC). Die Ergebnisse zeigen das Potenzial von ML, automatisch Proben mit kritischen Ergebnissen, wie APL und anderen akuten Leukämien, zu identifizieren und zu priorisieren. | nicht zertifiziert | www.pubmed.ncbi.nlm.nih.gov/34643210/ | https://doi.org/10.1093/ajcp/aqab148 |
| Minuteful Kidney | Healthy.io | Mithilfe der Minuteful Kidney-App und dem zugehörigen Testkit kann eine Testung fernab eines Labors durch Personen ohne medizinische Vorkenntnisse durchgeführt werden. Die klinischen Ergebnisse sind sofort verfügbar. Dabei wird das Smartphone mithilfe colorimetrischer Analyse, Computervision und KI zu einem "medizinischen Gerät". Die KI- und Computervision-Technologie kalibriert den Dipstick-Scan und analysiert die Ergebnisse unabhängig von Lichtverhältnissen, Umgebung oder Gerätetyp, um klinische Ergebnisse zu generieren. | ISO 13485:2016; ISO 27001:2013 | www.healthy.io/services/kidney/ | |
| Minuteful UTI | Healthy.io | Testung auf eine Harnwegsinfektion ist mit der UTI-App und dem Testkit von zuhause aus möglich ohne, dass der Anwender medizinische Vorkenntnisse benötigt. Dazu muss ein Foto aufgenommen werden, welches über das Smartphone mithilfe von colorimetrischer Analyse, Computervision und KI analysiert wird. | ISO 13485:2016; ISO 27001:2013 | www.healthy.io/services/uti/ | |
| Minuteful 10 | Healthy.io | Routinemäßige Urin-Diagnose kann mit dem allgemeinen Urin-Test (10-App und Testkit) durchgeführt werden. Leukozyten, Nitrite, Urobilinogen, Protein, pH-Wert, Blut, spezifisches Gewicht, Ketone, Bilirubin und Glukose können von zuhause aus bestimmt werden. Die Anwendung ist ohne medizinische Vorkenntnisse möglich. Dazu muss von dem Anwender ein Foto des Teststreifens aufgenommen werden. Die KI- und Farbkalibrierungstechnologie analysiert den Teststreifen unabhängig von der Testumgebung oder dem Gerät. | ISO 13485:2016; ISO 27001:2013 | www.healthy.io/services/ten/ | |
| Regelwerke | |||||
| Maschinelles Lernmodell, das falsch positive Ergebnisse bei dem Neugeborenenscreening reduziert | Peng et al., 2020 | In dieser Studie wurde ein Random Forest-Klassifikator auf Neugeborenenscreening-Daten für angeborene Stoffwechselstörungen trainiert. Die Analyse verbesserte die Vorhersage von falsch-positiven Ergebnissen für verschiedene Störungen, ohne die Sensitivität zu beeinträchtigen. Ein Online-Tool für Random Forest wurde entwickelt, um komplexe Neugeborenenscreening-Daten interpretativ zu analysieren. | nicht zertifiziert | www.ncbi.nlm.nih.gov/pmc/articles/PMC7080200/ | https://doi.org/10.3390/ijns6010016 |
| Interne Referenzwerte | |||||
| keine Anwendungen identifiziert | |||||
| Technische Validation | |||||
| keine Anwendungen identifiziert | |||||
| Fremdversand | |||||
| keine Anwendungen identifiziert | |||||
| Probenarchivierung | |||||
| keine Anwendungen identifiziert | |||||
| 4. Befundung | |||||
| Befundmanagement | |||||
| keine Anwendungen identifiziert | |||||
| Medizinische Validation und Befundung | |||||
| Cardio Explorer® | © Exploris Health AG | Der Cardio Explorer® Test ist eine Methode zur Risikoabschätzung von Herzkranzgefäßerkrankungen, einschließlich Herzinfarkten. Der Test kombiniert eine Befragung mit Laborwertbestimmungen, Blutdruckmessung und Ruhe-EKG. Mithilfe künstlicher Intelligenz werden die Ergebnisse in vier Risikokategorien eingeteilt. Empfohlene Abklärungen variieren je nach Risikostufe und reichen von herzkathetergestützten Untersuchungen bis zu nicht-invasiven Methoden wie Cardio-CT. Die Ergebnisse werden per E-Mail mitgeteilt, bei höheren Risikostufen erfolgt zusätzlich eine persönliche Benachrichtigung durch den Arzt. | CE-zertifiziert | www.cardioexplorer-checkup.com | |
| CoDE-ACS XGBoost Modell zur Erkennung eines Myokardinfarktes | Doudesis et al., 2023 | Die Studie entwickelte maschinelle Lernmodelle, die die kardiale Troponinkonzentration mit klinischen Merkmalen integrieren und den CoDE-ACS-Score (Collaboration for the Diagnosis and Evaluation of Acute Coronary Syndrome-Score) berechnen, um die Myokardinfarktdiagnose zu verbessern. CoDE-ACS zeigte herausragende Diskriminierung und identifizierte mehr Patienten als feste Troponinschwellen. Das System hat das Potenzial, Krankenhauseinweisungen zu reduzieren und Patienten- sowie Dienstleistervorteile zu bieten. | nicht zertifiziert | www.nature.com/articles/s41591-023-02325-4 | https://doi.org/10.1038/s41591-023-02325-4 |
| hema.to | hema.to | Die Softwareplattform hema.to bietet umfassende Entscheidungsunterstützung für hämato-onkologische Labore. Der Fokus liegt auf der Verarbeitung von Rohdaten bis hin zu diagnostischen Berichten mithilfe künstlicher Intelligenz (KI). Die Plattform akzeptiert sowohl FCS- als auch LMD-Dateien und extrahiert automatisch das Panel der Daten. Die klinischen Hinweise umfassen Zytogramme und Abnormalitäten, die die für einen gesunden Phänotyp ungewöhnlichsten Aspekte der Daten hervorheben. Die diagnostischen Empfehlungen basieren auf dem Expertenkonsens. Es werden Empfehlungen präsentiert, jedoch keine autonomen Entscheidungen getroffen – der Experte behält die Kontrolle. Die KI hat gezeigt, dass ihre Kernalgorithmen in der Lage sind, B-NHL-Klassifikationen auf dem Niveau von Hämatologen durchzuführen. | CE-IVD | www.hema.to | |
| SPECTR | Chabrun et al., 2021 | SPECTR (Serum Protein Electrophoresis Computer-Assisted Recognition), eine KI-Technologie, kann die menschliche Expertise bei der Serumprotein-Elektrophorese-Analyse ersetzen. SPECTR wurde auf einem Datensatz von 159.969 Einträgen entwickelt und erzeugt Textkommentare gemäß wissenschaftlichen Empfehlungen. In einer Validierung mit 70.362 SPEs und einem Expertenpanel erwies sich SPECTR als hochgenau bei der Identifikation von quantitativen (r ≥ 0,98) und qualitativen (ROC–AUC ≥ 0,90) Abnormalitäten. Der Algorithmus verbessert die Reproduzierbarkeit und Zuverlässigkeit der SPE-Interpretation. | nicht zertifiziert | www.academic.oup.com/clinchem/article/67/10/1406/6365844?login=false | https://doi.org/10.1093/clinchem/hvab133 |
| Neuronales Netz zur Befundung von Immunfixationen | Thiemann et al., 2022 | Die Studie erforschte den Einsatz von Deep Convolutional Neural Networks zur zuverlässigen Beurteilung von Immunofixations-Elektrophorese-Bildern im Labor für die Multiple-Myelom-Diagnose. Die neuronalen Netzwerke zeigten hohe Genauigkeit (75%) auf über 4.000 Testbildern, identifizierten verschiedene Gammopathien und ermöglichten eine schnelle automatisierte Bewertung auf einem Standard-Desktop-Computer. | nicht zertifiziert | www.degruyter.com/document/doi/10.1515/labmed-2022-0078/html | https://doi.org/10.1515/labmed-2022-0078 |
| Entscheidungsalgorithmus, der die Ergebnisse von biochemischen Tests mit kritischen Werten effizient und schnell bewertet, indem er gleichzeitig mehrere Faktoren berücksichtigt. | Demirci et al., 2016 | Die Studie entwickelte einen experimentellen Entscheidungsalgorithmus in der Labormedizin, der biochemische Testergebnisse mit kritischen Werten effizient bewertet. Mit künstlichen neuronalen Netzwerken erreichte der Algorithmus nach drei Trainingsrunden eine hohe Sensitivität (91%), Spezifität (100%) und einen geschätzten κ-Score von 0,950. Integration in ein Laborinformationssystem könnte die Arbeitsbelastung der Mitarbeiter reduzieren, ohne die Patientensicherheit zu beeinträchtigen. | nicht zertifiziert | www.pubmed.ncbi.nlm.nih.gov/27473741/ | https://doi.org/10.1093/ajcp/aqw104 |
| MeMed BV® | MeMed | MeMed BV® integriert KI-gestützt innerhalb von 15 min aus einer Serum- oder Vollblutprobe die Spiegel dreier Immunproteine - TRAIL, IP-10 und CRP - automatisch in eine Punktzahl, die auf die Wahrscheinlichkeit einer bakteriellen Immunantwort oder Co-Infektion im Vergleich zu einer viralen Immunantwort hinweist. Die Unterscheidung zwischen bakteriellen und viralen Infektionen soll die diagnostische Unsicherheit reduzieren und zu einer Verringerung des Missbrauchs von Antibiotika führen. | derzeit nur im US-Markt erhältlich | www.me-med.com/memed-bv/ | |
| Machine-Learning-Modell zur Interpretation von Urin-Steroid-Profilen/Verschiedene Machine-Learning-Algorithmen für die automatisierte biochemische Interpretation von Urinsteroidprofilen zur Unterstützung aktueller klinischer Praktiken | Wilkes et al., 2018 | Diese Studie erforschte den Einsatz von Machine-Learning-Algorithmen zur automatisierten biochemischen Interpretation von Urin-Steroidprofilen. Mit Daten von 4619 Profilen konnte der beste binäre Klassifikator erfolgreich zwischen Normalität und Abnormalität differenzieren. Dies zeigt vielversprechende Anwendungsmöglichkeiten für klinische Labore zur Effizienzsteigerung, besonders unter Ressourcenbeschränkungen. | nicht zertifiziert | www.pubmed.ncbi.nlm.nih.gov/30097499/ | https://doi.org/10.1373/clinchem.2018.292201 |
| Interpretation von PAA-Profilen basierned auf Machine Learning | Wilkes et al., 2020 | Die Studie untersuchte, ob maschinelles Lernen (ML) dazu verwendet werden kann, Plasma-Aminosäure (PAA)-Profile effektiv zu interpretieren. Entwickelte ML-Klassifikatoren zeigten ausgezeichnete Vorhersageleistungen, was darauf hinweist, dass solche Tools in der klinischen Praxis eingesetzt werden könnten, um die Interpretation von PAA-Profilen zu vereinfachen. Der bereitgestellte Code ermöglicht anderen Laboren die Entwicklung eigener Entscheidungsunterstützungswerkzeuge. | nicht zertifiziert | www.academic.oup.com/clinchem/article/66/9/1210/5900235?login=false | https://doi.org/10.1093/clinchem/hvaa134 |
| Fehlererkennung auf Basis von Stoffwechselprofilen durch neuronale Netzwerke | Jackson et. Cervinski, 2020 | Wenn präanalytische Methoden falsch beschriftete Proben nicht erkennen, kommen postanalytische Methoden zum Einsatz. Inspiriert von Delta-Checks wurden neuronale Netzwerke entwickelt, die die analytischen Ergebnisse von zwei verschiedenen Zeitpunkten bewerten, um festzustellen, ob sie zu demselben Patienten gehören. Rohdaten aus der klinischen Praxis wurden genutzt, um falsch beschriftete Proben zu simulieren, und verschiedene neuronale Netzwerke wurden für die Erkennung dieser Fehler evaluiert. Das beste neuronale Netzwerk verglich Analyseergebnisse von umfassenden Stoffwechselprofilen für Zeitdeltas <1,5 Tage, erreichte eine AUC von 0,994 und übertraf die bisherigen Delta-Check-Methoden signifikant. | nicht zertifiziert | https://jlpm.amegroups.org/article/view/5553/html | https://doi.org/10.21037/jlpm.2020.02.03 |
| Erkennen von Probenvertauschungen/Multivariater Delta Check aus Basis Neuronaler Netze | Zhou et al, 2021 | Die Studie zielt darauf ab, eine präzise Methode für den Delta-Check (DC) zur Erkennung von Probenvertauschungen zu entwickeln, da herkömmliche Implementierungen in der klinischen Praxis oft fehleranfällig sind. Dabei wurde ein tiefes neuronales Netzwerk (Deep Belief Network, DBN) auf Basis von 22 hämatologischen Testparametern entwickelt und anhand von Daten aus zwei Krankenhauslaboren trainiert. Das DBN-Modell zeigte eine herausragende Genauigkeit von 0.931 im Trainingsset und 0.922 im Validierungsset. In Tests übertraf das DBN-Modell herkömmliche statistische Methoden und erreichte eine Genauigkeit von 0.931, wobei die absolute Differenzmethode bessere Ergebnisse erzielte als die relative Differenzmethode. Die Ergebnisse legen nahe, dass die Integration von mehreren hämatologischen Testparametern in ein ML-Modell eine präzisere Detektion von Probenvertauschungen ermöglicht, insbesondere durch die Verwendung des DBN-Algorithmus in realen klinischen Settings. | nicht zertifiziert | www.degruyter.com/document/doi/10.1515/cclm-2021-1171/html | https://doi.org/10.1515/cclm-2021-1171 |
| Delta Check mit 5 verschiedenen Machine Learning Algorithmen | Rosenbaum et Baron, 2018 | Eine Studie beschreibt einen maschinellen Lernalgorithmus, um falsch beschriftete Blutproben zu erkennen und Patientenschäden zu vermeiden. Die Forscher simulierten WBIT-Fehler in routinemäßigen klinisch-chemischen Testergebnissen von stationären Patienten, um fünf maschinelle Lernalgorithmen zur WBIT-Erkennung zu entwickeln, zu trainieren und zu bewerten. Der beste WBIT-Erkennungsalgorithmus basierte auf einer Support-Vektor-Maschine und berücksichtigte die Veränderungen der Testergebnisse zwischen aufeinanderfolgenden Probenahmen über 11 Analyten. Dieser Algorithmus erreichte eine Fläche unter der Kurve (AUC) von 0,97 und übertraf deutlich die traditionellen Delta-Checks mit einem einzelnen Analyten. Maschinelle Lernalgorithmen mit mehreren Analyten können eine praktische Strategie bieten, um WBIT-Fehler vor der Testberichterstattung zu identifizieren und die Patientensicherheit zu verbessern. | nicht zertifiziert | Using Machine Learning-Based Multianalyte Delta Checks to Detect Wrong Blood in Tube Errors | American Journal of Clinical Pathology | Oxford Academic (oup.com) | https://doi.org/10.1093/ajcp/aqy085 |
| Diagnose von APLS (Antiphospholipid Syndrom) auf der Basis von Thrombin Generierungsassays | de Laat-Kremers et al., 2021 | Ein entwickeltes neuronales Netzwerk wurde in einer APS-Patientenkohorte validiert, mit einer Sensitivität über 90% und einem positiven prädiktiven Wert von 62-91%. Diese Ergebnisse deuten darauf hin, dass das Netzwerk APS diagnostizieren kann und nach weiterer Validierung klinisch für die Diagnose auf Basis von Thrombin-Generationsdaten eingesetzt werden könnte. | nicht zertifiziert | www.pubmed.ncbi.nlm.nih.gov/34022673/ | https://doi.org/10.1016/j.thromres.2021.05.008 |
| GAAD-Algorithmus | Roche | Der GAAD-Algorithmus schätzt mittels semiquantitativem Score das HCC-Risiko ein. Dabei kombiniert er die Biomarker Elecsys® AFP und Elecsys® PIVKA-II mit Patientendaten wie Geschlecht und Alter. Die navify® Algorithm Suite integriert den GAAD-Algorithmus in Labore, minimiert manuellen Aufwand und ermöglicht die sichere Berechnung des Risiko-Scores in der navify® Secure Cloud. Ergebnisse werden ins Laborinformationssystem übertragen, um Patientenbefunde zu ermöglichen. | CE-IVD | www.roche.de/diagnostik/produkte-loesungen/digitale-loesungen/gaad-algorithmus | |
| KI-gestütztes Monitoring des Therapieansprechens auf Thiopurine | Waljee et al., 2009 | Die Studie nutzte maschinelles Lernen, um immunologische Reaktionen auf Thiopurine bei entzündlichen Darmerkrankungen vorherzusagen. Ein entwickelter Random-Forest-Algorithmus erreichte eine Genauigkeit von 85,6%, während herkömmliche Thiopurin-Metabolitenmessungen nur 59,4% erreichten. Die Algorithmen ermöglichten auch die präzise Identifizierung von Nichtadhärenz (81,3%) und Thiopurin-Shuntern (79,7%), was auf eine kostengünstigere und genauere Überwachung der Thiopurin-Therapie hinweist. | nicht zertifiziert | www.cghjournal.org/article/S1542-3565(09)01011-8/fulltext | https://doi.org/10.1016/j.cgh.2009.09.031 |
| ML Modell zur Berechnung des LDL | Çubukçu et al., 2022 | Das Ziel der Studie war die Entwicklung von Vorhersagemodellen für das Low-Density-Lipoprotein-Cholesterin (LDL-C) unter Verwendung verschiedener maschinellern Lernmethoden sowie die Untersuchung der Validität dieser Modelle im Vergleich zu den herkömmlichen Formeln Friedewald und Martin-Hopkins. Die Modelle wurden anhand von Laborwerten für LDL-C, High-Density-Lipoprotein-Cholesterin, Triglyceride und Gesamtcholesterin (n = 59.415) erstellt und in Trainings- und Testdatensätze aufgeteilt. Die Ergebnisse zeigten, dass die entwickelten Modelle, insbesondere für Triglyceride zwischen 177 und 399 mg/dL sowie LDL-C unter 70 mg/dL, genauere Alternativen zu den herkömmlichen Formeln darstellen. Die Linearregression, Gradient-Boosted-Trees und Künstliche-Neuronale-Netzwerk-Modelle übertrafen die herkömmlichen Formeln in Bezug auf Genauigkeit und Klassifikationsgenauigkeit. | nicht zertifiziert | www.pubmed.ncbi.nlm.nih.gov/34635916/ | https://doi.org/10.1093/labmed/lmab065 |
| 5. Befundübermittlung | |||||
| Fax- und E-Mail-Versand | |||||
| keine Anwendungen identifiziert | |||||
| Befund-Export | |||||
| keine Anwendungen identifiziert | |||||
| Nachforderung | |||||
| KIRO | KIRO | Die Kiro-Plattform revolutioniert die Kommunikation von Laborbefunden. Das webbasierte Tool ermöglicht die Visualisierung bereits medizinisch validierter Befunde sowie die Bereitstellung von Vorschlägen für Analyten-Nachforderungen an den Einsender. Das Patientenportal bietet einen leicht zugänglichen Überblick. Durch automatische Updates wird eine zuverlässige Verwaltung von Laborberichten ohne Softwareinstallation gewährleistet. Die Sicherheit wird durch sicheren Zugang und Datenverschlüsselung sichergestellt. Die Ergebnisdarstellung erfolgt in einem visuellen Format, das die Komplexität reduziert. Die Kiro-Plattform bietet personalisierte Dienste für Patienten und Gesundheitsfachkräfte, um über bloße Ergebnisse hinauszugehen und spezifische Informationen zum biologischen Profil abzurufen. | CE-zertifiziert | www.kiro.bio | |
| Einsenderkommunikation | |||||
| keine Anwendungen identifiziert | |||||
| Einsenderberatung | |||||
| ChatGPT | OpenAI | Die Funktion von ChatGPT besteht darin, Informationen bereitzustellen, Erklärungen zu liefern und in natürlicher Sprache zu unterstützen. Mit einem Wissensstand bis Januar 2022 bietet es in verschiedenen Themenbereichen umfassende Kenntnisse. Es ist jedoch wichtig zu betonen, dass es kein Ersatz für eine medizinische Beratung ist und dafür auch nicht lizensiert ist. Für medizinische Beratung sollte stets ein qualifizierter Gesundheitsdienstleister konsultiert werden. Die Antworten ersetzen keine professionelle medizinische Meinung, Diagnose oder Behandlung. Es kann den Arzt/die Ärztin jedoch bei der Formulierung des vorhandenen Wissens zum Zwecke der Beratung unterstützen. | nicht zertifiziert | www.openai.com/blog/chatgpt | |
| AMPEL (Analyse- und Meldesystem zur Verbesserung der Patientensicherheit durch Echtzeitintegration von Laborbefunden) | Uniklinik Leipzig | Befundung und Beratung innerhalb der Themen: AKI, Diabetes, Elektrolyentgleisungen, Anämie, Refeeding-Syndrom, Laktatämie. | www.ampel.care/de/ | ||
| Hervorsage von Glukosespiegeln und Hypoglykämien bei DM1 | Georga et al., 2015 | Die Studie untersuchte die Vorhersagefähigkeit von Merkmalen aus medizinischen und lebensstilbezogenen Selbstüberwachungsdaten zur Vorhersage subkutaner Glukosekonzentrationen bei Typ-1-Diabetes. Random Forests und Relief-Algorithmen identifizierten wichtige Merkmale, die in einem Glukoseprädiktionsmodell durch Forward Selection Regressionsanalyse integriert wurden. | nicht zertifiziert | http://link.springer.com/article/10.1007/s11517-015-1263-1 | https://doi.org/10.1007/s11517-015-1263-1 |
| Vorhersage der Überlebenszeit bei Rheumatoider Arthritis | Lezcano-Valverde et al., 2017 | In dieser Studie wurde ein Modell zur Vorhersage der Mortalität bei rheumatoider Arthritis (RA) mithilfe von Random Survival Forests (RSF) entwickelt und anhand von zwei unabhängigen Kohorten validiert. Variablen wie Alter, Blutsenkungsgeschwindigkeit und Krankenhausaufnahmen zeigten eine hohe Vorhersagekapazität. Das Modell identifizierte Gruppen mit unterschiedlichem Mortalitätsrisiko, die zeitabhängige Spezifität und Sensitivität waren nach 1 und 7 Jahren akzeptabel. Die Kalibrationskurven zeigten jedoch eine leichte Überschätzung des Mortalitätsrisikos. | nicht zertifiziert | www.nature.com/articles/s41598-017-10558-w | https://doi.org/10.1038/s41598-017-10558-w |
| Vorhersage der Transplantatsüberlebenszeit nach Nierentransplantation bei Patienten mit SLE | Tang et al., 2011 | In dieser Studie wurden drei Datamining-Methoden (Klassifikationsbäume, logistische Regression und künstliche neuronale Netzwerke) auf Daten von Nierentransplantatempfängern mit systemischem Lupus erythematodes (SLE) angewendet, um Vorhersagemodelle für das Transplantationsergebnis zu vergleichen. Die logistische Regression zeigte die beste Gesamtleistung mit einer AUC von 0,74 (95% CI: 0,72–0,77), signifikant besser als Klassifikationsbäume (AUC: 0,70) und vergleichbar mit künstlichen neuronalen Netzwerken (AUC: 0,71). Auch bei Verwendung sparsamerer Variablen schnitt die logistische Regression ähnlich gut ab. Die erstellten Modelle können potenziell in der klinischen Praxis eingesetzt werden, um Risikopatienten zu identifizieren. | nicht zertifiziert | https://journals.lww.com/asaiojournal/fulltext/2011/07000/predicting_three_year_kidney_graft_survival_in.10.aspx | https://doi.org/10.1097/MAT.0b013e318222db30 |
| 6. Abrechnung | |||||
| Einsparpotential von Laborkosten und Arbeitszeit | |||||
| Reduzierung der unnötigen Nutzung der Durchflusszytometrie zur Analyse des peripheren Bluts um 35–50% | Zhang et al., 2020 | Diese Studie verwendet maschinelles Lernen, um die periphere Blutflusszytometrie (PFBC) zur Malignitätsevaluierung zu optimieren. Positive PBFC-Ergebnisse traten häufiger bei vorherigen Malignitäten auf und Modelle, die klinische Vorgeschichte und Blutbildparameter einbezogen, erreichten hohe Vorhersagegenauigkeiten. Die Ergebnisse könnten dazu beitragen die unnötige Nutzung von PBFC zu reduzieren. | nicht zertifiziert | www.pubmed.ncbi.nlm.nih.gov/31603184/ | https://doi.org/10.1093/ajcp/aqz150 |
| Verbesserung des Workflows zur Reduzierung manueller Urinmikroskopie-Durchführungen | Cao et al., 2012 | Automatisierte Urinpartikelzählung wird häufig genutzt, doch manuelle mikroskopische Analysen sind weiterhin nötig. Die Studie präsentiert UrineCART, eine Methode für mikroskopische Überprüfungsregeln basierend auf einem Klassifikations- und Regressionsbaumverfahren. Mit einem Schwellenwert von 0,0745 zeigt UrineCART eine Sensitivität von 92,0%, Spezifität von 81,5% und eine Gesamtüberprüfungsrate von 32,4% in einem Testset. Im Vergleich mit anderen Methoden bietet UrineCART akzeptable Sensitivität und niedrigere Überprüfungsrate. Die Anwendung von UrineCART reduziert die mikroskopische Überprüfungsrate auf etwa 30%, ohne wesentliche Verluste in der Urinanalyse. | nicht zertifiziert | www.pubmed.ncbi.nlm.nih.gov/23093270/ | https://doi.org/10.1515/cclm-2012-0272 |
| KV-Abrechnung | |||||
| keine Anwendungen identifiziert | |||||
| Privatliquidation | |||||
| keine Anwendungen identifiziert | |||||
| Mahnwesen | |||||
| keine Anwendungen identifiziert | |||||
| Kommunikation PVS, FiBu | |||||
| 7. Betrieb und Auswertung | |||||
| Qualitätssicherung | |||||
| ML Modell für die interne Qualitätskontrolle | Çubukçu, 2021 | Die Studie entwickelte Maschinenlernmodelle mit Kombination von konventionellen Qualitätskontrollen, gleitenden Mittelwerten und kumulativen Summen. Die Modelle wurden mithilfe von Simulationen auf 170.000 simulierten Qualitätskontrollergebnissen evaluiert. Dabei zeigte das Random Forest-Modell eine akzeptable Fehlererkennungswahrscheinlichkeit (Ped) für die meisten systematischen Fehlergrade. Die in der Studie etablierten Metriken sollen das Laborpersonal bei der Planung interner Qualitätskontrollen unterstützen. | nich zertifiziert | www.degruyter.com/document/doi/10.1515/tjb-2021-0199/html?lang=en | https://doi.org/10.1515/tjb-2021-0199 |
| Statistiksets | |||||
| keine Anwendungen identifiziert | |||||
| Prozessanalyse | |||||
| keine Anwendungen identifiziert | |||||
| Verlaufskontrollen | |||||
| keine Anwendungen identifiziert | |||||
| Kennzahlenvergleich | |||||
| keine Anwendungen identifiziert | |||||
| x. Bereichsübergreifend | |||||
| Neuevaluation von Scores in der Klinischen Chemie, z.B. Friedewald-Formel | Lee et al., 2019 | Diese Studie zielt darauf ab, die Schätzung des LDL-Cholesterins (LDL-C) durch den Einsatz eines tiefen neuronalen Netzwerks (DNN) zu verbessern. Mit zwei unabhängigen Datensätzen (aus dem Korean National Health and Nutrition Examination Survey und dem Wonju Severance Christian Hospital) wurde ein DNN-Modell aufgebaut, welches die Friedewald-Gleichung und andere Methoden in Genauigkeit und Fehlerminimierung auf Testdatensätzen übertraf. | nicht zertifiziert | www.pubmed.ncbi.nlm.nih.gov/30448282/ | https://doi.org/10.1016/j.cca.2018.11.022 |