Folge 2/9: Warum ist Europa wichtig?

Ein regelmäßiger Austausch fördert die Zusammenarbeit!

Im Gespräch mit Peter van Ooijen

Folge 2/9: Warum ist Europa wichtig?

Interview 2 der Serie ,,Warum ist Europa wichtig?“
Im Gespräch mit Peter van Ooijen
INTERREG-Projekt DAME

Die Europawahl steht vor der Tür. Oft ist Europa im Alltag nicht sichtbar. Sieht man aber einmal genauer hin, ist Europa allgegenwärtig, vor allem auch in unserer deutsch-niederländischen Grenzregion. Und genau hier setzen wir mit unserem INTERREG-Programm Deutschland-Nederland an, um mithilfe von grenzüberschreitenden Projekten Europa „greifbar“ zu machen.

In den kommenden Wochen gehen wir mit einigen Menschen, die hinter den INTERREG-Projekten stehen, ins Gespräch. Erfahren Sie, was Europa in unserer Grenzregion macht und bedeutet – und bilden Sie sich selbst Ihre Meinung!

Zur Person

Peter van Ooijen ist außerordentlicher Professor für Medizinische Informatik an der Universität Groningen. Er arbeitet in der Abteilung Strahlentherapie und ist Koordinator des Machine Learning Lab des Data Science Center in Health (DASH). Er koordiniert das DAME-Projekt gemeinsam mit Marianna Sijtsema, klinische Physikerin und Forscherin in der Abteilung Strahlentherapie.

1. Fassen Sie das Projekt in 3 Sätzen zusammen! Was bringt es der Region?

Im Rahmen des DAME-Projekts werden Technologien des Deep Learning eingesetzt, um den Pflegeprozess zu verbessern. Ziel ist es, die Diagnose von medizinischen Bildern zu verbessern und zu beschleunigen und die verfügbaren Informationen zu nutzen, um die Strahlentherapie für Krebspatienten zu optimieren und zu personalisieren. Die Entwicklung der notwendigen Technologie erfolgt in Zusammenarbeit mit regionalen Partnern. Die klinische Anwendbarkeit und Effizienz wird auch in den Niederlanden und Deutschland getestet und validiert.

„Die Zuverlässigkeit jeder selbstlernenden Technologie hängt von der Menge und Vielfalt der verfügbaren Daten ab. Die grenzüberschreitende Zusammenarbeit kann dazu einen hervorragenden Beitrag leisten.“

2. Worin besteht der Nutzen und die Notwendigkeit, grenzüberschreitend zusammenzuarbeiten? Warum ist INTERREG/Europa so wichtig?

Die Herausforderungen bei der Einführung einer personenbezogenen Medizin durch Deep Learning bestehen zum einen darin, ausreichende Daten für die ordnungsgemäße Schulung, Prüfung und Validierung von Systemen zu erhalten und zum anderen darin, das Vertrauen des medizinischen Personals zu gewinnen, ein solches System tatsächlich einzuführen und zu nutzen. Die Zuverlässigkeit jeder selbstlernenden Technologie hängt von der Menge und Vielfalt der verfügbaren Daten ab. Die grenzüberschreitende Zusammenarbeit kann dazu einen hervorragenden Beitrag leisten.

Die Zusammenarbeit zwischen Krankenhäusern und Unternehmen in den Niederlanden und Deutschland stellt sicher, dass die Datenmenge groß genug ist und die Vielfalt der Daten aus beiden Ländern zu stabilen Lösungen führen sollte. Darüber hinaus wird die Erforschung der unterschiedlichen Anforderungen der Nutzer des Systems aus beiden Ländern zu einer verbesserten Akzeptanz des Systems auf dem Markt führen. Die Expertise der Partner auf beiden Seiten der Grenze ergänzt sich gut.

„Regelmäßige Rücksprachen und persönliche Treffen helfen, insbesondere bei der grenzüberschreitenden Zusammenarbeit. Auf diese Weise bleiben alle von dem Projekt begeistert.“

3. Was sind (im Rahmen des Projekts) Erfolgsfaktoren oder Verbesserungspunkte hinsichtlich grenzüberschreitender Zusammenarbeit?

Der Erfolg liegt in den Bemühungen aller beteiligten Partner. Es kann schwierig sein, medizinische Partner einzubeziehen, aber es hilft, Schlüsselpersonen in beiden Regionen zu haben. Regelmäßige Rücksprachen und persönliche Treffen helfen, insbesondere bei der grenzüberschreitenden Zusammenarbeit. Auf diese Weise bleiben alle von dem Projekt begeistert.

Über das Projekt

Im Projekt DAME untersuchen wir, wie Deep Learning-Systeme richtig und verantwortungsbewusst in die Arbeitsmethoden von Angehörigen der Gesundheitsberufe integriert werden können. Wir haben verschiedene Aspekte untersucht, die von Detailfragen wie den Anforderungen an eine Benutzeroberfläche bis hin zu allgemeinen Fragen wie den Aufgaben, für die das System eingesetzt werden kann, reichen. Wir entwickeln ein Deep Learning-Umfeld, das für verschiedene Arten der Bildanalyse genutzt werden kann, z.B. für die Bildanalyse von Krankheiten oder um bestimmte wichtige Aspekte für den Fachmann hervorzuheben. Wir testen unsere Plattform derzeit im Labor, da sie noch nicht für den Einsatz in einem Krankenhaus bereit ist. Die vorläufigen Ergebnisse sehen jedoch vielversprechend aus.