Learning Health Systems (LHS) sind sozio-technische Systeme, die gesundheitsbezogene Dienstleistungen erbringen und dabei mit Hilfe von Informationstechnologie neues Wissen aus Daten erzeugen, um die Gesundheitsversorgung kontinuierlich zu verbessern. Durch die zunehmende Digitalisierung des Gesundheitswesens entstehen vielerorts Daten, die zur Gewinnung von Wissen in LHS genutzt werden können. Dies setzt allerdings eine informationstechnische Infrastruktur voraus, die die Daten integriert und geeignete Algorithmen zur Wissensgewinnung bereitstellt. Der verbreitete Ansatz, solche Infrastrukturen in großen Institutionsverbünden zu entwickeln, zeigte bislang nicht den gewünschten Erfolg. Deshalb wurde in dieser Arbeit stattdessen von einer einzelnen Organisationseinheit ausgegangen, der Zentralen Notaufnahme eines Klinikums, und eine informationstechnische Infrastruktur für ein lokales Learning Health System entwickelt. Es wurden dabei Fragestellungen aus den Bereichen Datenintegration und -analyse behandelt. Zum Einen wurde gefragt, wie sich heterogene, semantisch zeitvariante, longitudinale Gesundheitsdaten flexibel auf Datenmodellebene integrieren lassen. Zum Anderen war Untersuchungsgegenstand, wie auf den so integrierten Gesundheitsdaten zwei datenanalytische Anwendungsfälle konkret realisiert werden können: Es wurde erstens untersucht, welche Untergruppen von Patienten mit häufigen Inanspruchnahmen (häufige Wiederkehrer, frequent users) sich ermitteln lassen und welches Wiederkehrrisiko mit bestimmten Diagnosen verbunden ist. Zweitens wurde untersucht, welche Aussagen über das Ankunftsverhalten und die Fallkomplexität von gebrechlichen, älteren Patienten getroffen werden können. Für die Beantwortung der Fragestellungen erfolgte die Datenextraktion und -integration nach dem Data-Warehouse-Ansatz. Es wurden Daten des Krankenhausinformationssystems des Klinikums Osnabrück mit Krankenhausqualitätsdaten, Fallklassifikationsdaten sowie Wetter-, Luftqualitäts- und Verkehrsdaten integriert. Für die Datenintegration wurde das Entity-Attribute-Value/Data Vault-Modell (EAV/DV) als ein neuer Modellierungsansatz entwickelt. Die Datenanalysen wurden mit einem Data-Mining-Verfahren zur Faktorisierung von Patientenmerkmalen sowie statistischen Methoden der Zeitreihenanalyse durchgeführt. Für Wiederkehrer ergaben sich vier distinkte Untergruppen von Patienten. Weiterhin konnte das relative Wiederkehr-Risiko für einzelne Diagnosen geschätzt werden. Zeitreihenanalytisch ergaben sich ausgeprägte Unterschiede im Ankunftsverhalten gebrechlicher, älterer Patienten im Vergleich zu allen übrigen Patienten. Eine höhere Fallkomplexität konnte bestätigt werden, war aber im Allgemeinen nicht tageszeitabhängig. Der Modellierungsansatz (EAV/DV) für longitudinale Gesundheitsdaten erleichterte die Integration heterogener sowie sich zeitlich ändernder Daten durch flexible Datenschemata innerhalb des Data Warehouses. Die datenanalytischen Modelle lassen sich laufend mit neuen Daten aus dem Krankenhausinformationssystem aktualisieren und realisieren damit die Wissensgewinnung aus Daten nach dem LHS-Ansatz. Sie können als Entscheidungsunterstützung für eine bessere personelle Ressourcenplanung und zielgruppengerechte Ansprache von ressourcenintensiven Patienten in der Notaufnahme dienen. Die vorgelegte Implementierung einer IT-Infrastruktur zeigt auf, wie die Wissensgewinnung aus Daten exemplarisch für das lokale Learning Health System der Organisationseinheit Zentrale Notaufnahme umgesetzt werden kann. Die schnelle prototypische Umsetzung und der erfolgreiche Wissensgewinn zu inhaltlichen Fragestellungen belegt, dass der gewählte bottom-up-Ansatz tragfähig ist und sinnvoll weiter ausgebaut werden kann.

No description available.

Die kontinuierliche Überwachung von Pflanzenparametern spielt eine wichtige Rolle in der Präzisionslandwirtschaft. Als in situ Monitoring-Systeme erscheinen drahtlose Sensornetzwerke (engl. Wireless Sensor Networks (WSNs)) geeignet, um den Zustand von Kulturpflanzen zu erfassen und diesen in stets aktuelle Parameterkarten zu transformieren. Derartige Karten können potenzielle wachstums- und ertragsmindernde Faktoren frühzeitig identifizieren und Entscheidungshilfen geben, die zu einer ortsdifferenzierten, zielgerichteten und nachhaltigen Bewirtschaftung landwirtschaftlicher Produktionsflächen beitragen. Die vorliegende kumulative Dissertation beschäftigt sich in diesem Zusammenhang mit der automatisierten und kosteneffizienten in situ Erfassung eines wichtigen Pflanzenparameters, dem sogenannten Blattflächenindex (engl. Leaf Area Index (LAI)). Mittels handelsüblicher WSN-Hardware wird zunächst ein kostengünstiger Sensor-Prototyp für eine passive, transmissionsbasierte LAI-Erfassung konzipiert und, begleitet durch Feldkampagnen, experimentell weiterentwickelt. Im Verlauf der Arbeit wird eine auf die spezielle Anwendung zugeschnittene Netzwerkarchitektur entworfen, die den Prototypen in ein ganzheitliches Langzeit-Monitoring-System überführt. Durch exemplarisch realisierte Deployments an zwei unterschiedlichen Standorten und den daraus erfassten empirischen Datensätzen wird das Potenzial drahtloser Sensornetzwerke für eine kontinuierliche und zeitlich hochauflösende LAI-Erfassung analysiert. Dabei werden effektive Methoden zur Prozessierung und Filterung von in situ Sensordaten entwickelt und untersucht, inwieweit diese die Qualität der abgeleiteten LAI-Schätzung verbessern. Ein Schwerpunkt der empirischen Potenzialanalyse liegt dabei auf der differenzierten Erfassung von sortenspezifischen und trockenstressbedingten Veränderungen. Weiterhin wird der Einfluss von Umwelt und Vegetation auf die Qualität drahtloser Verbindungen in landwirtschaftlichen WSN-Deployments betrachtet. Basierend auf dem empirischen Datensatz wird gezeigt, dass das Pflanzenwachstum die Qualität exemplarischer Verbindungen beeinträchtigt. Aus dieser Beobachtung wird ein Modell für ein signalstärkebasiertes Pflanzen-Monitoring abgeleitet und die generelle Machbarkeit dieses neuartigen Ansatzes untersucht.