Agenda
Mittwoch, 18.09
11:00
Einlass
KI-Med Ökosystem
12:30-14:00, Chair: Tim Suthau
Begrüßung, Vorstellung der Mitorganisatoren & Projekte
Grußworte der Life Science Nord Management GmbH
Oliver Schacht
KI-Med Forschung in Lübeck und mit unseren Partnern in Norddeutschland
Thomas Martinetz
KI-Med Vernetzung: (Internationale) KI-Forschungskooperation
Tim Suthau
KI-Med Lehre: KI Qualifikation
Martin Leucker
Der Weg zur Marktreife: KI-Projekte am Campus Lübeck
Roman Spendler, wissenschaftlicher Mitarbeiter an der Universität zu Lübeck I KI-MED Gründerlab | Gründercube
Beschreibung
In dem Beitrag wird Roman Spendler einen Einblick in verschiedene Start up Projekte aus dem KI Med Ökosystem und deren Umsetzung in die Praxis geben.
14:00 - 14:15
Pause
KI-Pioniere – Innovation für die Medizin
14:15 - 15:30, Chair: Annika Wallbott
KI in der Anwendung: vom F&E Projekt zum Marktangang am Beispiel der Radiologie
Olaf Iseringhausen, Leitung Competence Center Healthcare Solutions
Beschreibung
Der Beitrag beleuchtet die transformative Rolle von Künstlicher Intelligenz (KI) in der Radiologie, insbesondere im Kontext der Überführung von Forschungs- und Entwicklungsprojekten in marktfähige Anwendungen. Der Fokus liegt auf der Innovationskraft von KI-Technologien und deren Potenzial zur Nutzenstiftung im medizinischen Alltag, wobei auch Herausforderungen in der Finanzierung und Regulatorik thematisiert werden. Ein weiterer Schwerpunkt liegt auf der Marktfähigkeit und Umsetzungsfähigkeit dieser Technologien, insbesondere hinsichtlich ihrer Anpassung an bestehende Versorgungsprozesse im Gesundheitswesen. Ziel ist es, einen praxisnahen Überblick über die notwendigen Schritte zur erfolgreichen Integration von KI in die radiologische Versorgung zu geben.
Flexibel trainierbare KI beschleunigt den Transfer von Zell-basierten Therapien
Thomas Frahm, TRI Thinking Research Instruments
Beschreibung
Verschiedene Zelltypen dienen der medizinischen Forschung und Entwicklung heute immer stärker, um gezielt Therapien zu entwickeln – sei es nun ein klassischer Wirkstoff oder auch eine zell-basierte Anwendung. Solche Entwicklungen erfordern hohe Anforderungen an analytischer Kontrolle und Präzision, ohne in der Analytik zu viel wertvolles Zell-Material opfern zu müssen. Bildgestützte Zell-Analytik zusammen mit einer durch den Experten selbst trainierbaren KI-Plattform stellt nicht nur einen effizienten Zugang zu quantitativen Daten dar, sondern bietet vielmehr wertvolle Informationen für Entscheidungen in Forschung, Entwicklung und Produktion zukünftiger medizinischer Anwendungen.
KI zur Identifikation neuer pharmaonkologischer Targets
Jobst Landgrebe, Indivumed Therapeutics
Beschreibung
Die Pharmakotherapie solider Tumore stagniert seit Jahrzehnten, nur in Ausnahmefällen haben selektive Pharmaka eine moderate Verbesserung der mittleren Überlebenszeit erbracht. Doch mit Hilfe qualitativ hochwertiger Biobanken, der quantitativen Erfassung von Biomolekülen, KI-gesättigter Mathematik und Biophysik lassen sich neue Therapieansätze identifizieren, wie dieser Vortrag zeigt.
Lumeox — Entwicklung einer mobilen Blutanalyseplattform für die Notfallmedizin: Wie der Einsatz von KI die Notfallversorgung von morgen verbessert
Benjamin Kern, Lumeox
Beschreibung
In der Notfall- und Intensivmedizin ist die Blutgasanalyse entscheidend für die Beurteilung von Störungen der Atmung und des Säure-Basen-Haushaltes im Blut. Während die Diagnostik im klinischen Umfeld Standard ist, stellen Anforderungen an Zuverlässigkeit, Genauigkeit und Handhabung insbesondere im mobilen Einsatz eine große Herausforderung dar, weshalb sich die Geräte dort bisher nicht durchsetzen konnten. Mit unserem optischen, KI-basierten Sensor schließen wir diese Versorgungslücke, so dass Rettungsdienste bereits über die notwendigen Informationen verfügen, um frühzeitig lebensrettende Entscheidungen für die Patienten treffen zu können.
15:30 - 16:00
Pause
KI für gesundes Altern
16:00-17:30, Chair: Thorsten Buzug
DATIpilot Innovationscommunity GRANNI - Gesundes und resilientes Altern durch nachhaltige Medizintechnik aus der Norddeutschen Hanse Innovation Community
Thorsten Buzug und Philipp Rostalski, Universität zu Lübeck und Fraunhofer IMTE
Komfortabel altern mit ambienter Sensorik, KI und Edge Computing
Axel Steinhage, Future-Shape GmbH
Beschreibung
Sensorsysteme, die unsichtbar in unsere Wohnumgebung integriert sind liefern Tag und Nacht Informationen über unseren Zustand und unser Verhalten. In Verbindung mit moderner Gebäudeautomation erhöhen sie unseren Komfort und lösen Alarme in Notsituationen aus. Im nächsten Schritt macht KI die Wohnung zu unserem Assistenten und Gesundheitscoach.
Frühe Diagnose für klinische Endpunkte mittels Verfahren des unüberwachten Lernens und nicht-invasiven Sensoren im geriatrischen Setting
Martin Willkomm, Krankenhaus Rotes Kreuz Lübeck, Jonas Schöttler, Fraunhofer IMTE
Beschreibung
Der demografische Wandel führt zusehends zu einer Bevölkerung hohen Durchschnittsalters mit entsprechenden Folgen für das Gesundheitssystem durch eine Häufung von altersbedingten Krankheiten. Um gleichzeitig ein gesünderes Leben zu ermöglichen, Kosten einzusparen und das Pflegepersonal zu unterstützen, möchten wir am Fraunhofer IMTE in Zusammenarbeit mit dem Rotes Kreuz Krankenhaus Lübeck und Partnern aus der Wirtschaft (KMU einfügen), Methoden entwickeln, die dazu beitragen, klinische Endpunkte, wie bspw. ein Delir, eine Blutzuckerentgleisung oder nosokomiale Infektionen möglichst frühzeitig zu prognostizieren und somit zukünftig angepasste Therapien zur Verhinderung von Gesundheitsverschlechterungen als Folge solcher vorzuschlagen. Mit Hilfe von passiven, nicht-invasiven Sensoren in Kombination mit Auszügen aus den entsprechenden Gesundheitsakten und Verfahren des unüberwachten maschinellen Lernens soll unter dem Stichwort „Early Diagnostics“ und „Disease Interruption“ Ansätze erprobt werden, die im geriatrischen Kontext dazu beitragen, klinische Endpunkte bis zu 48h vorher zu sagen. Hierzu startete im Mai 2024 das Projekt GeriAI-EaDi bei den Kooperationspartner und wird zukünftig entsprechende Ansätze erforschen.
Nicht-invasive Glukosemessung mittels ML-Verfahren zur Verbesserung der Therapie bei Migräne und Diabetes
Christian Sina, Perfood/UKSH
Beschreibung
Gezielte Beeinflussung des Energiemetabolismus durch kontinuierliche Glukosemessung (CGM) und darauf basierende personalisierte Ernährungstherapie stellen eine Weiterentwicklung generischer Ernährungsempfehlungen dar und zeigen als Teil von digitalen Gesundheitsanwendungen (DiGA) Wirksamkeit in der Behandlung von Diabetes mellitus Typ 2 und Migräne. Nachteil dieses Verfahrens ist der hohe Ressourcenverbrauch, die Verfügbarkeit aber auch die Invasivität aktuell verfügbarer CGM-Verfahren. Verfahren des maschinellen Lernens können dabei helfen, diese Probleme zu beseitigen. Dabei wurden invasive CG-Messungen und Vitaldatenaufzeichnungen non-invasiver Wearables parallel geschaltet, mit dem Ziel, Untersuchungserkenntnisse aus dem herkömmlichen Verfahren auf passiv abnehmbare Vitalparameter abzubilden. Durch den Einsatz von Neuronalen Netzwerken unter Zuhilfenahme von externen, beschreibenden Parametern, konnte so erfolgreich eine Non-invasive algorithmische CGM entwickelt werden. Diese ist in der Lage, den Blutzuckerspiegel der Anwender aus der Sensorik der Wearables abzuleiten.
Highlight 1
Dabajsa
Donnerstag, 19.09
KI-basierte Prognose- modelle
09:00-10:30, Chair: Roman Klöckner
Überlebenszeitvorhersage beim Prostatakarzinom durch föderierte Foundation-Modelle
Johannes Lotz, Fraunhofer MEVIS
Beschreibung
Mit der steigenden Arbeitsbelastung von PathologInnen wird der Bedarf an Automatisierung zur Unterstützung diagnostischer Aufgaben und der quantitativen Bewertung von Biomarkern immer offenkundiger. Foundation-Modelle haben das Potenzial, die Generalisierbarkeit sowohl innerhalb eines Zentrums als auch zwischen verschiedenen Zentren zu verbessern, und können eine entscheidende Rolle bei der effizienten Entwicklung spezialisierter KI-Modelle spielen. Das Training dieser Modelle erfordert jedoch oft eine enorme Menge an Daten, Rechenleistung und Zeit. Wir stellen einen überwachten Multitasking-Lernansatz vor, der diese Anforderungen deutlich reduziert und mit dem wir das Tissue-Concepts-Foundation-Modell trainiert haben.
Im Projekt ProSurvival erweitern wir die Anwendung des Foundation-Modells auf die Vorhersage des Überlebens von Prostatakrebspatienten basierend auf histopathologischen Bilddaten. Durch föderiertes Lernen ermöglichen wir die kooperative Nutzung von Patientendaten aus mehreren klinischen Standorten, ohne dass die Daten die Klinik verlassen. Diese Infrastruktur wurde entwickelt, um Datenschutzbedenken zu reduzieren und ein globales Modell aus lokalen Daten zu trainieren. Das Tissue-Concepts-Foundation-Modell wurde an Whole-Slide-Images von Brust-, Darm-, Lungen- und Prostatakrebs getestet und erreichte mit nur 6% der Trainingsdatenmenge eine mit anderen Modellen vergleichbare Leistung. Projekt-Website: prosurvival.org
Frakturrisikoprädiktion mit KI
Claus Glür, Christian-Albrechts-Universität Kiel und UKSH Kiel
Prädiktion des Krankheitsverlaufs bei Kardiogenem Schock aus multimodalen Messdaten
Lukas Boudnik, Fraunhofer IMTE
Beschreibung
Beim Kardiogenen Schock führt eine Erkrankung des Herzens zu einer verringerten Pumpleistung und damit zu einer Unterversorgung an Sauerstoff im Körper. Im Verlauf der Erkrankung sind viele wichtige Organe betroffen und bei ausbleibendem Therapieerfolg kann ein lebenskritisches Multiorganversagen eintreten. Auf der Intensivstation findet neben der medikamentösen und gerätebasierten Behandlung ein umfangreiches Monitoring der Patienten statt. Zusammen mit der Klinik für Kardiologie, Angiologie und Intensivmedizin des UKSH haben wir ein KI-Modell angewendet, das die multimodalen Messdaten nutzt und mit unregelmäßig abgetasteten Zeitpunkten umgehen kann, um den Krankheitsverlauf zu prädizieren.
KI-basierte Überlebenszeitanalyse für Lungenkrebs auf einem krebsregisterübergreifenden Datensatz
Sebastian Germer, DFKI Lübeck
Beschreibung
In den Landeskrebsregistern werden Informationen zu Krebsneuerkrankungen und Therapien gesammelt. Im vom BMG geförderten Projekt "AI-CARE" wird der Einsatz KI-basierter Prognosemodelle für diese Daten erprobt und mit den statistischen Gold-Standards verglichen. Dazu wurde über mehrere Krebsregister hinweg ein Datensatz zusammengeführt und aufbereitet. Ergebnisse am Beispiel des Lungenkrebses zeigen die Potentiale, die maschinelle Lernverfahren in der Analyse bieten können.
10:30 - 11:00
Pause
KI in der Diagnostik & Therapie
11:00 - 12:30, Chair: Philipp Rostalski
IKAPP - Vorhersage von Infektionsdynamik mithilfe intersektoraler Daten
Benjamin Gebel, UKSH
Beschreibung
Während der Covid-19-Pandemie wurden viele Schwachstellen in den lokalen Frühwarnmechanismen für Infektionskrankheiten aufgedeckt. Dies hat gezeigt, dass eine schnellere und genauere Vorhersage der Ausbreitung von Infektionen und ihrer Auswirkungen auf die Bevölkerung erforderlich ist, um einen besseren und wirksameren Schutz für besonders gefährdete Personen, aber auch für die Bevölkerung insgesamt zu gewährleisten. Genau hier setzt IKAPP an. IKAPP, die Infektionskontroll-APP, soll Infektionsereignisse in Lübeck früher und besser vorhersagen. Durch die Kombination verschiedener Daten wie die Echtzeiterfassung von Schulabwesenheiten, Zunahme von Erkältungen bei Hausärzten und Zunahme von Notaufnahmebesuchen aufgrund von Atemwegsinfektionen wird die Infektionsdynamik sichtbarer und verständlicher. In einem ersten Schritt haben wir über ein webbasiertes Tool Daten aus Kindergärten, Schulen, von Hausärzten und der Notaufnahme des UKSH Campus Lübeck erhoben, um sie miteinander und mit dem nationalen Überwachungssystem zu vergleichen. Im Rahmen künftiger Forschungsvorhaben wollen wir weitere Daten wie Wettermessungen, Daten aus dem öffentlichen Nahverkehr oder die Häufigkeit von Husten an stark frequentierten Orten integrieren, um so die syndromale, erreger-unabhängige Surveillance zu verbessern. Letztlich ermöglicht eine bessere Vorhersage eine schnellere Reaktion auf Infektionswellen um Ausbrüche zu verhindern.
Automating Skill Assessment in Surgical Training — A Data-Driven Approach
Georg Wolf, Fraunhofer IMTE
12:30 -14:00
Mittagspause
AI Lab Tour
KI-basierte Bewegungs-analyse
14:00 - 15:30, Chair: Marcin Grzegorzek
Vorhersage von Gangereignissen für ein optimiertes störungsbasiertes Gleichgewichtstraining auf einem instrumentierten Laufband
Gerrit Bücken, Fraunhofer IMTE
Beschreibung
Störungsbasiertes Gleichgewichtstraining (Perturbation-based balance training, PBBT) gewinnt in der Therapie zur Verbesserung der reaktiven Balancefähigkeiten immer mehr Bedeutung. Eine Herausforderung bei der Umsetzung solcher PBBTs ist der Zeitpunkt, zu dem die Störung auftreten soll. Üblicherweise werden diese Zeitpunkte über eine Gangereignisdetektion bestimmt. Die daraufhin ausgeführten Perturbationen treten allerdings erst mit einer gewissen Verzögerung auf, sodass die Wirkung nicht bestimmt werden kann. Diese Arbeit stellt einen Lösungsansatz vor, der muskuloskelettale Modellierung mit einem Long Short Term Memory Neuronal Network kombiniert, um Gangereignisse vorherzusagen. Somit können Perturbationen rechtzeitig ausgelöst werden und ihre Wirkung bestimmt werden.
Android-App für Video-basiertes symptomatisches Tracking zervikaler Dystonie
Roland Stenger, Universität zu Lübeck
Beschreibung
Für Patient:innen mit zervikaler Dystonie, einer seltenen neurologischen Bewegungsstörung, ist der Zugang zu Fachärzten oft schwierig, sodass regelmäßige Besuche zur Symptomkontrolle/Behandlung oft nicht praktikabel sind. Die asynchrone Videoaufzeichnung stellt einen telemedizinischen Ansatz mit zeitlicher Freiheit dar, bringt aber die Herausforderung mit sich, dass Kliniker:in und Patient:in nicht interagieren und somit Fehler nicht korrigieren können, was zu einer Verschlechterung der Datenqualität führen kann. Die Move2Screen-App ermöglicht ein asynchrones Therapiemonitoring, wobei das Problem der fehlenden Interaktion durch die Implementierung eines In-App-Videoprotokolls zur Aufzeichnung der Symptome am Beispiel der zervikalen Dystonie gelöst wird. Eine Usability-Studie zeigte ein starkes Interesse und hohe Bereitschaft, die App zu nutzen. Perspektivisch kann mit der App ein standardisierter Datensatz erhoben werden, der die Möglichkeit einer KI-gestützten Einschätzung des Symptomverlaufs bietet.
KI-gestütztes Monitoring der Rehabilitation nach Sprunggelenksfrakturen
Keywan Sohrabi, THM Gießen
Beschreibung
In diesem Vortrag wird ein KI-gestütztes Messverfahren vorgestellt, das den Rehabilitationsprozess nach Sprunggelenksfrakturen überwacht. Mithilfe einer App wird über Bildanalysen der Bewegungsumfang des Sprunggelenks bei Plantar- und Dorsalflexion erfasst. Eine vergleichende Analyse zwischen einer Apple Watch SE und einem BNO055-Sensor zeigt, dass die Apple Watch, unterstützt durch KI, insgesamt die genauesten Messungen liefert. Das System bietet einen Nachweis, dass, mithilfe von KI und Bildanalysen, Gelenkbewegungen in der Rehabilitation präzise überwacht werden können.
Automatisiertes visuelles Assessment motorischer Symptome
Sebastian Mansow-Model, Motognosis
Beschreibung
Motorische Symptome spielen bei einer Vielzahl von Erkrankungen eine entscheidende Rolle bei Lebensqualität, Diagnosefindung und Verlaufskontrolle. Ihre quantitative Erhebung im Rahmen strukturierter Assessments liefert hierbei entscheidende Erkenntnisse für Therapieentscheidungen, findet aber in der klinischen Routine nur punktuell mit hohem fachärztlichen Aufwand statt. In diesem Vortrag wird anhand von Beispielen aus Neurologie und Orthopädie dargestellt, wie dies mit Hilfe von handelsüblichen RGB-D Tiefenkameras und KI-gestützten Messprotokollen anwenderfreundlich automatisiert und eine regelmäßige Erhebung in Klinik, Praxis und Zuhause ermöglicht werden kann.15:30 - 16:00
Pause
Medizinsche Datenräume
16:00 - 17:30, Chair: Roland Tilz
Use Case: Daten und KI-basierte Datenanalyse in der Rhythmologie
Roland Tilz, Klinik für Rhythmologie, UKSH und Christian Finke, Active-Health
GAIA-X-Med: Ein europäisches Ökosystem für sichere Gesundheitsdaten
Hannes Hesse, Martin Leucker, Universität zu Lübeck und UniTransferKlinik
Beschreibung
GAIA-X-Med realisiert die Grundlagen für ein KI-Med-Ökosystem in der Domäne Gesundheit auf Basis der europaweit harmonisierten GAIA-X-Architektur. Das Projekt hat das Ziel, eine sichere und vernetzte Daten- und Service-Infrastruktur im Bereich Gesundheit zu schaffen, um intelligente Lösungen bauen zu können. Der Fokus liegt dabei auf der Kooperation zwischen Medizintechnik-Unternehmen, Wissenschaft und Kliniken. Bei GAIA-X-Med geht es um die Schaffung einer integrierten, aber dezentralen Datenplattform, bei der die medizinischen Datenschutzanforderungen berücksichtigt werden und die Beteiligten ihre digitale Souveränität behalten. So können medizinisch-ökonomische Potenziale gut ausgeschöpft werden.
TEAM-X: Ein vertrauenswürdiges Ökosystem für den Austausch medizinischer Daten
Bruno Ristok, C&S Computer und Software GmbH
Beschreibung
TEAM-X realisiert ein geschütztes, vertrauenswürdiges und digitales Datenökosystem. Die Basis für das sogenannte Trusted Ecosystem of Applied Medical Data eXchange, kurz TEAM-X, legt Gaia-X. Über die verteilte und vernetzte Dateninfrastruktur sollen sich neue Geschäftsmodelle, digitale Produkte und smarte Dienstleistungen für die Versorgung realisieren lassen.
Jetzt kommt EDAH: Die Zukunft des europäischen Gesundheitsdatenaustauschs
Sarah Wächter, BIH Charité Berlin
Ab 17:30
Netzwerken & Buffet
Highlight 1
Dabajsa
Freitag, 20.09
Medizinische Daten - Anonymisierung in der Medizin (auf Englisch)
09:00 - 10:30. Chair: Esfandiar Mohammadi
Anonymeter: Bridging the Legal-Technical Gap in Synthetic Data Privacy Evaluation
Matteo Giomi, Anonos / Statice
Beschreibung
Synthetic data is a promising approach to sharing sensitive datasets while preserving privacy, but assuming it eliminates all privacy risks is overly simplistic. Privacy assessments for synthetic data must be conducted on a case-by-case basis, yet practical tools for such assessments have been lacking. To address this, the talk introduces Anonymeter, an open-source tool designed to quantify singling out, linkability, and inference risks in synthetic datasets, aligning with GDPR requirements. Anonymeter has been positively evaluated by the French Data Protection Authority (CNIL), highlighting its effectiveness for data controllers. The talk will cover the details of Anonymeter's statistical evaluation framework and demonstrate its usability with experimental results.Matteo Giomi started as an astroparticle physicist before transitioning to privacy, working as privacy researcher at Statice, a EU-based synthetic data vendor. In that role he specialized in privacy preserving machine learning, data synthesization, threat modeling and attack-based privacy evaluations. Now leading the privacy research team at Anonos, data privacy and security vendor, he expanded his expertise to the domain of advanced pseudonymization techniques as well as deepened his understanding of privacy legislations, with a focus on the European GDPR.
Walking the tightrope: Balancing the mandates of medical research with differential privacy
Georgios Kaissis, Technische Universität München
Beschreibung
Many of the world's most challenging problems can be addressed through the use of machine learning (ML). However, the success of ML workflows is contingent on the availability of high quality data. In medicine, this creates the challenge of balancing the competing objectives of data utilisation and data protection. Privacy enhancing technologies and especially Differential Privacy (DP) arguably represent our best chance to incentivise ethically sustainable data sharing while protecting patients from harm. However, DP has its own set of challenges. Some of these (e.g. privacy-utility trade-offs) are well-known, while others only become apparent in the process of deploying DP to large-scale, multi-institutional medical research workflows. In this presentation, I will discuss both sets of challenges. I will introduce approaches to alleviate the utility trade-offs of DP through deep learning architecture design and improved theoretical analyses. Moreover, I will discuss the practical challenges that surface when integrating DP into healthcare environments, and explore potential solutions. Concluding the talk, I will outline how the adoption of DP stimulates further, multi-disciplinary research in the topics of ML generalisation, memorisation, algorithmic fairness, and medical ethics.PD Dr Georgios (George) Kaissis, MHBA (*1989) is a senior lecturer at the Technical University of Munich (TUM), where he leads the "Privacy-preserving and Trustworthy AI" research group at the Institute for Artificial Intelligence in Medicine. He also leads the "Reliable AI" research group at the Institute for Machine Learning in Biomedical Imaging at Helmholtz Munich. His research focuses on differential privacy and its applications to deep learning and artificial intelligence in medicine and beyond.
AnoMed: Privacy-Preserving Machine Learning for Medical Applications
Esfandiar Mohammadi, Universität zu Lübeck
Beschreibung
Die Veröffentlichung von Ergebnissen von medizinischen Studien ist im öffentlichen Interesse, allerdings zeigt die wissenschaftliche Literatur, dass selbst die Veröffentlichung von Studienergebnissen Informationen über Studienteilnehmende preisgeben kann. Für medizinische Datenräume, in denen potenziell eine Vielzahl von Studien über die gleichen Patient*innen durchgeführt werden, werden mittelfristig Verfahren benötigt, sodass Studienergebnisse hinreichend anonymisiert veröffentlicht werden können. Da immer mehr Studien maschinelle Lernverfahren (sog. KI-Techniken) nutzen, diskutieren wir Deanonymisierungsrisiken für maschinelle Lernverfahren und Anonymisierungstechniken.10:30 - 11:00
Pause
11:30- 16:00 AMS2
AnoMed Konsortialtreffen (Parallel)
Details
11:00 - 12:30: Teaser talks for the poster session (5 min. per talk)12:30 - 13:30: Lunch break
14:00 - 15:30: Poster session
15:30 - 16:00: Tea and coffee break
Rechtliche Aspekte, Regulatorik, Ethik
11:00 - 12:30. Chair: Christian Herzog
Regulatorische Anforderungen an KI-Med Produkte — ein Überblick
Ludwig Pechmann, UniTransferKlinik
Beschreibung
Dieser Vortrag gibt einen kompakten Einblick in die speziellen regulatorischen Anforderungen, welche bei der Entwicklung von KI-gestützten Medizinprodukten zu beachten sind. Anders als bei klassischer Softwareentwicklung stellt die KI-Entwicklung besondere Herausforderungen an Zulassungs- und Überwachungsverfahren. Ludwig Pechmann beleuchtet die Unterschiede und gibt einen Überblick über die Schritte der Produktentwicklung – von der Datenbasis bis zur Zulassung als Medizinprodukt.AI-Act vs. MDR: Regulierung der künstlichen Intelligenz im Gesundheitswesen
Ozan Aykurt, Folker Spitzenberger, TH Lübeck und Fraunhofer IMTE
Möglichkeiten ethischer Reflexion für verantwortungsvolle KI-Forschung und Innovation — Why, What, When and How
Christian Herzog, Universität zu Lübeck
Beschreibung
Warum ist Ethik für verantwortungsvolle KI wichtig? Was sind Inhalte ethischer Reflexion von KI? Wann im KI-Forschungs- und Innovationprozess ist sie relevant? Wie und mit welchen Methoden kann ethische Reflexion unterstützt werden? Auf diese gängigen Fragen aus der KI-Innovationspraxis geht Sabrina Blank ein und veranschaulicht verschiedenen Möglichkeiten zur Umsetzung aus Praxisbeispielen von Kollaborationen des Ethical Innovation Hub.
Mit Ethik zum Erfolg: Nachhaltige Innovation durch moralische Prinzipien und kluge Fragen
Indeed Innovation, Karel Golta
Beschreibung
Karel J. Golta stellt ein Framework mit 10 moralischen Fragen und 5 zentralen Werte vor und zeigt, wie diese auf technologische Innovation und insbesondere auf die Entwicklung verantwortungsvoller KI (RAI) angewendet werden können. Durch interaktive Übungen und Diskussionen mit dem Publikum beleuchten wir gemeinsam die unterschiedlichen ethischen Dimensionen und fördern einen praxisorientierten Austausch über Innovationen für die nächste Generation.