Unsere Projekte

Das Krebsregister steht als Kooperationspartner mit seiner Expertise und langjährigen Erfahrung im Bereich der klinischen und epidemiologischen Datenauswertung sowie im Bereich der KI für wissenschaftliche Einrichtungen und Institutionen des Gesundheitssystems zur Verfügung. 

Sie sind an einer Kooperation mit dem Krebsregister über ein gemeinsames Projekt interessiert? Melden Sie sich gerne bei uns. 

Im Rahmen dieses Projekts werden die Potenziale von Verfahren der Künstlichen Intelligenz (KI) zur Qualitätssicherung und zur Erstellung von Best-Of-Datensätzen in Krebsregistern untersucht. Unter der Leitung des Krebsregisters Rheinland-Pfalz werden in diesem Kooperationsprojekt der Lehrstuhl für Wirtschaftsinformatik und BWL der Johannes Gutenberg Universität Mainz, das Kinderkrebsregister sowie die Krebsregister aus Baden-Württemberg, Hessen und Niedersachen zusammenarbeiten. Ziel des Projektes ist es, durch eine höhere Automatisierung und durch eine optimierte Fehlererkennung qualitätsgeprüfte Daten schneller für Auswertungen verfügbar zu machen. Zu diesem Zweck werden verschiedene KI-Verfahren für zwei Untersuchungsfelder auf den Datensätzen der beteiligten Krebsregister angewendet und die erzielten Ergebnisse verglichen. 

Untersuchungsfeld 1: Inwieweit können Qualitätsprobleme in Datensätzen von Krebsregistern durch KI-Verfahren zur automatisierten Qualitätssicherung identifiziert werden? Bei diesem Ansatz werden Datensätze der beteiligten Krebsregister verschiedenen Verfahren der automatisierten Qualitätssicherung unterzogen. Anschließend evaluieren Domänenexperten die Ergebnisse. Basierend auf den daraus gewonnenen Erkenntnissen werden neue Maßnahmen zur Qualitätssicherung erarbeitet. Ziel ist es, den Nutzen dieser innovativen Verfahren, neben den beteiligten Projektpartnern, auch allen anderen Krebsregistern zur Verfügung zu stellen, um damit zu einer umfassenden Qualitätssteigerung beizutragen.

Untersuchungsfeld 2: Inwieweit können ungenaue und widersprüchliche Informationen zu Tumorerkrankungen eines Patienten durch KI-Verfahren zu einer Best-Of- Tumorhistorie zusammengeführt werden? Informationen aus einzelnen Meldungen müssen in Krebsregistern zu einem Best- Of zusammengeführt werden. Um dieses Vorgehen auf qualitätsgesicherte Weise zu beschleunigen und zu automatisieren, wird im Rahmen dieses Untersuchungsfeldes ein KI-basiertes Verfahren etabliert. Die für diese Best-Of-Bildung notwendigen KI-Methoden werden zunächst im Krebsregister Rheinland-Pfalz in Kooperation mit dem Lehrstuhl für Wirtschaftsinformatik und BWL der Johannes Gutenberg-Universität Mainz entwickelt. Ziel ist es, dass die im Krebsregister Rheinland-Pfalz etablierten Prozesse und Algorithmen auch nutzbringend in anderen Krebsregistern eingesetzt werden können.

Neben Qualitätssicherung und Automatisierung trägt das gesamte Projekt durch die Harmonisierung der Prozesse und Datenstrukturen zur zeitnahen Zusammenführung von Daten unterschiedlicher Krebsregister bei. Dies bedeutet einen unschätzbaren Gewinn für zukünftige Auswerungen, deren immense Aussagekraft auf den Daten aller deutscher Krebsregister beruhen wird. Das Projekt wird durch das Bundesministerium für Gesundheit im Rahmen der Ausschreibung "Krebsregisterdaten zusammenführen und intelligent nutzen: Innovationsprojekte für Künstliche Intelligenz“ mit einer erheblichen Geldsumme gefördert.

Im Rahmen dieses Projekts wird die Anwendung von Verfahren der Künstlichen Intelligenz (KI) zur Extraktion von relevanten Daten aus unstrukturierten Freitexten inklusiver anschließender Qualitätskontrolle geprüft. Dieses Projekt wird vom Krebsregister Baden-Württemberg und der Averbis GmbH geleitet. Das Krebsregister Rheinland-Pfalz ist an diesem Projekt als Kooperationspartner beteiligt. Weitere Kooperationspartner sind das Fraunhofer-Institut für Kommunikation, Informationsverarbeitung und Ergonomie (FKIE) und das Tumorzentrum Freiburg – Comprehensive Cancer Center (CCCF) des Universitätsklinikums Freiburg. Zudem sind die Krebsregister aus Berlin/Brandenburg und Hessen beteiligt. Das Projekt wird durch das Bundesministerium für Gesundheit im Rahmen der Ausschreibung „Krebsregisterdaten zusammenführen und intelligent nutzen: Innovationsprojekte für Künstliche Intelligenz“ gefördert.

Ziel des Projektes ist es, relevante Informationen aus Freitexten automatisiert, qualitätsgesichert und zeitnah verfügbar zu machen. Freitexte erreichen die klinischen Krebsregister vor allem im Bereich der molekularpathologischen und pathologischen Befundung. Diese Texte enthalten wesentliche Information, welche die Grundlage handlungslenkender Auswertungen sind, die zur Verbesserung der Versorgung von Krebspatienten beitragen. Außerdem bilden sie die Grundlage für Rückmeldungen an Leistungserbringer der onkologischen Versorgung und somit der externen Qualitätskontrolle. Daraus leiten sich höchste Anforderungen an die Datenqualität und die zeitnahe Verfügbarkeit der Daten ab. In diesem Projekt wird geprüft, welche Methoden der Künstlichen Intelligenz eingesetzt und weiterentwickelt werden können, um eine einheitliche, valide und effiziente Informationsextraktion aus komplexen Texten zu ermöglichen. Die Ergebnisse dieses Projektes werden im Anschluss allen Krebsregistern zur Verfügung gestellt.

Krebsregister tragen mit dem Sammeln, Speichern und Analysieren von Informationen über Tumorerkrankungen zur Qualitätssicherung und Verbesserung der onkologischen Versorgung bei. Diese Daten sind meist in isolierten Datensilos organisiert, und Daten aus verschiedenen Registern können meist nicht gebündelt abgefragt
werden.

Das durch das Bundesministerium für Bildung und Forschung (BMBF) geförderte deutsch-französische Verbundprojekt "User- Centric and Privacy-Preserving Cancer Research Platform" (UPCARE) strebt, unter Berücksichtigung der geltenden Datenschutzstandards, die Entwicklung einer grenzübergreifenden Plattform für die Abfrage von Krebsregisterndaten an. Hierfür schloss sich der Verbundkoordinator Fraunhofer AISEC mit dem Krebsregister Rheinland-Pfalz, der Bundesdruckerei sowie den französischen Partnern Softeam und EURECOM zusammen. 

Mit der in diesem Projekt geplanten Plattform soll eine Krebsregister- und länderübergreifende Möglichkeit zur Abfrage von Krebsregisterdaten durch legitimierte Forscher untersucht und geschaffen werden. Ein hohes Level an Datenschutz ist im Projekt zentral. Unter anderem werden hierfür benutzerzentrierte Zustimmungsmechanismen etabliert, um auch die Nutzung personenbezogener Daten DSGVO-konform zu ermöglichen. Zusätzlich sollen anonymisierte, statistische Analysemethoden für autorisierte Dienstbetreiber bereitgestellt werden. Langfristig würde eine solche Plattform Forschenden erlauben, länderübergreifende Studien durchzuführen und die Qualität der Krebsforschung nachhaltig zu verbessern. Es soll gezeigt werden, dass eine weitreichende Nutzung und Analyse von sensiblen Daten in Kombination mit einem hohen Datenschutzniveau möglich ist.

Täglich fällt in den Institutionen des Gesundheitswesens eine enorme Menge an Daten an, woraus sich ein großes Potential zur Beantwortung von Fragestellungen der klinischen Forschung ergibt. Im Projekt EHDEN (European Health Data and Evidence Network) wird die erforderliche Intrastruktur für die möglichst einfache und breite Nutzung dieser Daten in Form eines europaweiten Verbundnetzes etabliert und die wissenschaftliche Zusammenarbeit gefördert. Generiertes Wissen soll die Entscheidungsfindung, das Outcome und die Versorgung verbessern und allen Akteuren im Gesundheitswesen, von Patienten über Behandelnden und Forschenden bis hin zu Aufsichtsbehörden, Kostenträgern und Regierungen zugutekommen.

Grundlage des Projektes ist der Aufbau eines Verbundnetzwerks von Datenquellen, die nach einem gemeinsamen Datenmodell (OMOP Common Data Model, kurz OMOP CDM) harmonisiert und standardisiert sind. Das Krebsregister Rheinland-Pfalz ist Data Partner des EHDEN-Netzwerkes und transformiert seine Daten auf OMOP CDM. Dadurch erhöht das Krebsregister seine Sichtbarkeit als Forschungspartner auch auf internationaler Ebene und fördert als aktiver Partner die Interoperabilität im Gesundheitswesen.

Ziel des BMBF-geförderten ForschungsHubs DECIDE (Decentralized digital Environment for Consultation, data Integration, Decision making and patient Empowerment) ist die Verbesserung der Versorgungsqualität in ländlichen Regionen durch Nutzung moderner IT-Lösungen. Hierfür entwickelt die Universitätsmedizin Mainz mit verschiedenen regionalen Partnern eine vielfältige digitale Plattform zur Verbesserung des Versorgungsalltags und Förderung des medizinischen Fortschritts. Neben dem Datenaustausch zwischen Unimedizin und dezentralen Partnern und der Erstellung einer elektronischen Gesundheitsakte soll auch die Therapieentscheidung durch Künstliche Intelligenz unterstützt werden. Außerdem werden telemedizinische Arzt-zu- Arzt-Konsultationen und Patient-zu-Arzt-Beratungen für unklare Behandlungsfälle bzw. Zweitmeinungen ermöglicht. Neben dieser Beratung sollen ebenfalls telemedizinische Sporttherapieangebote integriert werden. Auch der Patient wird über App-basierte Screening- Fragebögen und Information über weitere unterstützende Angebote digital angebunden.

Der Fokus des Projektes liegt auf den Krankheitsfeldern Krebs und Depressionen. Im Bereich der Onkologie bringt sich das Krebsregister Rheinland-Pfalz mit seinen Daten und seiner Expertise der Datenharmonisierung und -dokumentation ein.

Tumorkonferenzen sind ein fester Bestandteil jeder onkologischen Behandlung und werden zumeist von Organkrebszentren oder onkologischen Zentren angeboten. Bislang steht in Deutschland kein standardisierter Datensatz mit zugehöriger interoperabler Schnittstelle zur Verfügung, um Anmelde- sowie Ergebnisdaten von Tumorkonferenzen einrichtungsübergreifend zwischen dem ambulanten und stationären Sektor auszutauschen.

Das Krebsregister Rheinland-Pfalz möchte die Melder durch die Entwicklung eines standardisierten Datensatzes unterstützen. In dem Pilotprojekt soll hierfür eine prototypische bidirektionale Schnittstelle zwischen dem ambulanten und stationären Sektor geschaffen werden. Darüber hinaus wird die nutzerfreundliche Anmeldung von Patienten zu einer Tumorkonferenz über ein standardisiertes Formular eruiert, welches in das bereits für die Krebsregistrierung genutzte Melderportal integriert wird und über einen sicheren Weg auch die im Krebsregister erfassten Diagnosen sowie weitere behandlungsrelevante Daten übermitteln könnte. Im Idealfall können so auch die Ergebnisse der Tumorkonferenz über diesen Zugang zurückgespielt und automatisch den Patientendaten im Krebsregister zugeordnet werden.

Dies soll für alle an der Tumorkonferenz beteiligten Akteure die Prozesse vereinfachen und automatisieren, Mehrfachdokumentationen reduzieren und somit die Digitalisierung von Kommunikationswegen und die Interoperabilität von Gesundheitsdaten fördern.

Die von der Deutschen Krebsgesellschaft (DKG) beauftragte OnkoZert GmbH stellt einigen Organkrebszentren (Brust, Darm, Prostata) zur Durchführung der Zertifizierung ein Werkzeug zur einheitlichen Dokumentation zur Verfügung, die sogenannte OncoBox. Diese dient den Zentren dazu, ihre Daten standardisiert und qualitätsgesichert zu erfassen und zu überprüfen. Die OncoBox-Compare ist eine daran anknüpfende Weiterentwicklung im Rahmen des bundesweit einzigartigen Pilotprojektes zwischen den Projektpartnern OnkoZert, dem Krebsregister Rheinland-Pfalz und dem Prostatakrebszentrum Trier. Ziel ist es, Datensätze des Krebsregisters und des Zentrums zu Patienten systematisch mithilfe der speziell entwickelten Applikation OncoBox- Compare zu vergleichen und den Übereinstimmungsgrad der Datenbasis zu evaluieren.

Im ersten Teil des Projektes wurde von OnkoZert und dem Krebsregister Rheinland-Pfalz ein Datensatz definiert, der eine gemeinsame Schnittmenge des onkologischen Basisdatensatzes (oBDS) und des OncoBox-Datensatzes darstellt. Anschließend erfolgte mittels der OnkoZert-Applikation „OncoBox-Compare“ eine elektronische Gegenüberstellung. Gemeinsam mit allen Projektpartnern wurden Übereinstimmungen, Unterschiede und Datendefizite sowohl auf Patientenkollektiv- als auch auf Einzelfallebene aufgedeckt und mögliche Ursachen identifiziert. Erste Maßnahmen zur Verbesserung wurden eingeleitet.

Die resultierenden Erkenntnisse aus dem Pilotprojekt sind essenzielle Grundlage für den nächsten Schritt, der das langfristige Ziel der Interoperabilität von Gesundheitsdaten verfolgt. Es sollen Möglichkeiten eines direkten Datentransfers zwischen den Dokumentationssystemen geprüft werden, um zukünftig über eine elektronische Schnittstelle einen direkten Datentransfer zwischen den Dokumentationssystem der Zentren, der OncoBox-Compare und dem Krebsregister zu ermöglichen und so Doppeldokumentationen und Datenverluste zu vermeiden.

  1. Weinert K, Behr C, Dieng S. Das Pilotprojekt OncoBox-Compare. Forum der Medizin_Dokumentation und Medizin_Informatik. 2022 Dec. 04-2022:120.

Mit der Verabschiedung des Krebsfrüherkennungs- und -registergesetzes (KFRG) im Jahr 2013 waren Meldungen zu nicht-melanotischen Hauttumoren von der Finanzierung über die fallbezogene Krebsregisterpauschale der Krankenkassen an klinische Krebsregister ausgeschlossen. Dies hatte zur Folge, dass die Erfassung dieser Tumoren in den Bundesländern heterogen gehandhabt wurde. Eine reine epidemiologische Registrierung, das heißt, die Erfassung nur des ersten Tumors pro Person der häufig multipel auftretenden nicht-melanotischen Hauttumoren, bildet weder die Krankheitslast dieser prognostisch völlig verschiedenen Tumoren in der Bevölkerung noch den therapeutischen Aufwand durch die Dermatologen ab.

In Rheinland-Pfalz wird im Rahmen einer Pilotstudie seit dem 01.09.2017 eine klinisch-epidemiologische Registrierung ausgewählter nicht-melanotischer Hauttumoren analog zur Erfassung des malignen Melanoms und seiner Vorstufen durchgeführt. Diese erfolgt in Kooperation mit dem Direktor der Hautklinik der Universitätsmedizin Mainz, Prof. Dr. Stephan Grabbe. Ziel dieser angepassten Erhebung ist die vollständige Erfassung jener Hautkrebserkrankungen, die mit einem signifikanten Mortalitätsrisiko einhergehen. Somit werden Tumoren mit ungünstiger Prognose oder erhöhtem Metastasierungsrisiko, wie zum Beispiel Merkelzellkarzinome und ausgewählte Plattenepithelkarzinome, eingeschlossen. Neben der Rückmeldung der kompletten Tumorhistorie an den Behandler können populationsbezogene Daten zur Versorgungsforschung bereitgestellt und Therapievergleiche ermöglicht werden.

Das erfolgreiche Modellprojekt in Rheinland-Pfalz wurde bis 2024 verlängert. Mit dem im August 2021 verkündeten Gesetz zur Zusammenführung von Krebsregisterdaten werden nun aber auch deutschlandweit definierte prognostisch ungünstige nicht-melanotische Hauttumoren in die Registrierung aufgenommen.

  1. Schoeps M, Effenberger M, Zeißig SR. Krebsregistrierung nichtmelanotischer Hauttumoren in Deutschland. Onkologe. 2021 Apr;27:525–531.
  2. Effenberger M, Reinwald F, Justenhoven C. Wie das Krebsregister Rheinland-Pfalz die qualitätsgesichterte Datengrundlage verbessert -  Schwerpunkt Hautkrebs. Ärzteblatt Rheinland-Pfalz. 2023 Jun;2023(6):22-24.

Im Oktober 2018 startete das Krebsregister Rheinland-Pfalz eine Kooperation mit dem Krebsregister Namibia (Namibia National Cancer Registry, NNCR). Zustande gekommen ist diese Zusammenarbeit auf Empfehlung von Prof. Maxwell Parkin, Schirmherr des Krebsregisters RLP und im Namen der World Health Organization (WHO) beauftragt, den Aufbau von Krebsregistern in Afrika zu koordinieren.

Der im Südwesten des afrikanischen Kontinents gelegene Staat Namibia mit der Hauptstadt Windhoek hat rund 2,5 Mio. Einwohner. Etwa 3.500 Krebserkrankungen gab es im Jahr 2016. Die Cancer Association Namibia wurde im Jahr 1968 gegründet und feiert somit 2018 ihr 40-jähriges Bestehen. Im Jahre 1995 wurde das populationsbasierte Register als Organisationseinheit der Cancer Association Namibia (CAN) gegründet und erfasst. Die CAN unterstützt u.a. auch Krebspatienten finanziell, weil viele Einwohner Namibias sich die sehr teure Krankenversicherung nicht leisten können.

Mitte Oktober 2018 besuchte Rolf Hansen, Chief Executive Officer der CAN und Director des NNCR gemeinsam mit seiner Mitarbeiterin Lizelle van Schalkwyk das Krebsregister RLP für fünf Tage. Bei einer gemeinsamen Pressekonferenz mit Antje Swietlik und Dr. Sylke Zeißig vom Krebsregister, Gesundheitsministerin Sabine Bätzing-Lichtenthäler und der Leiterin der Frauenklinik der Unimedizin, Prof. Dr. Annette Hasenburg, wurde unter anderem die Kooperation vorgestellt.

Bei einem Vortrag vor allen Mitarbeitern des Krebsregisters stellte Rolf Hansen am nächsten Tag die aktuelle Situation der Gesundheitsversorgung in Namibia, die Situation der Krebspatienten, die Arbeit der CAN und des NNCR vor In zahlreichen Workshops wurden in den Folgetagen gemeinsam die ersten Rahmenbedingungen für eine Zusammenarbeit erörtert. Dabei unterstützte auch Prof. Dr. Maria Blettner, die mit ihren Forschungsschwerpunkten zu biometrischen Methoden in der Epidemiologie und epidemiologischen Untersuchungen zu strahleninduzierten Tumoren zahlreiche wertvolle Ideen liefern konnte.

Bei Hospitationen in den einzelnen Fachbereichen des Krebsregisters konnten die namibischen Kooperationspartner abschließend die Arbeitsabläufe, das Melderportal, die Datenauswertungen und Erfassung der Meldungen sowie deren Kodierung im Krebsregister intensiv kennenlernen.

Im März 2019 folgte der Besuch von Dr. McCartney Möller, Dr.-AB-May-Krebszentrum, Zentralkrankenhaus Windhoek und Unterstützer des NNCR.

Bei seinem einwöchigen Besuch lernte Dr. Möller bei Hospitationen in den einzelnen Fachabteilungen die Arbeit des Krebsregisters Rheinland-Pfalz kennen. Zudem ermöglichte ihm das Kinderkrebsregister einen Besuch in den eigenen Räumlichkeiten und stellte dort seine Arbeit vor.

Ein weiterer Programmpunkt der Kooperation war ein Besuch von Dr. Möller in der Frauenklinik der Universitätsmedizin Mainz unter Leitung von Prof. Dr. Annette Hasenburg, Direktorin der Klinik und Poliklinik für Geburtshilfe und Frauengesundheit. Bei seiner Hospitation konnte er neben einer Führung durch die Räumlichkeiten auch Operationen verfolgen und erfuhr eine Einführung in die Art und Weise, wie Chemotherapien in der Klinik zusammengestellt und verabreicht werden.

Ein Besuch von Geschäftsführerin Antje Swietlik im Krebsregister Namibia sowie Aufsichtsratsmitglied Prof. Dr. Maria Blettner im März 2020 musste kurzfristig aufgrund der Corona Pandemie abgesagt werden. Selbstverständlich wird die Zusammenarbeit innerhalb dieser Kooperation aber weiterhin fortgeführt.

Weitere Informationen zur Kooperation finden Sie auch hier und hier.

Abschlussarbeiten

Haben Sie Interesse, sich in Ihrer Bachelor- oder Masterarbeit mit einer aktuellen Fragestellung aus dem Bereich der Krebsregistrierung zu befassen?

Das Krebsregister Rheinland-Pfalz betreut regelmäßig in Kooperation mit diversen Lehrstühlen Abschlussarbeiten aus den Bereichen Medizin, Epidemiologie, Gesundheitswissenschaften, Informatik und verwandten Studiengängen. Das Thema kann hierbei selbst vorgeschlagen oder zusammen mit dem Krebsregister erarbeitet werden.

Wenden Sie sich bei Interesse gerne an uns. 

Aktuell im Krebsregister laufende Abschlussarbeiten

Vergleich des Behandlungserfolgs des Darmzentrums im Brüderkrankenhaus Trier und weiteren DKG-zertifizierten Darmzentren in Rheinland-Pfalz

Iordanis Deligiannis (Promotion)

In dieser Arbeit sollen mögliche Unterschiede in der Behandlung von kolorektalen Karzinomen in verschiedenen Einrichtungen, mit Schwerpunkt auf das Brüderkrankenhaus Trier, sowie deren Auswirkungen auf das Überleben von Patientinnen und Patienten untersucht werden und die Versorgungslage dargestellt werden. Hierfür werden anhand von Daten des Krebsregisters Rheinland-Pfalz im IDG vor allem mögliche Behandlungsunterschiede zwischen den Darmzentren hinsichtlich des Abstands zwischen Diagnosestellung und OP analysiert werden, ebenso wie der Erfolg der Resektion von Lebermetastasen  und der Anteil von Patientinnen und Patienten mit totaler neoadjuvanten Therapie. Zudem wird der Anteil der im Brüderkrankenhaus und in anderen Darmzentren behandelter Patientinnen und Patienten mit kolorektalem Karzinom ins Verhältnis gesetzt zu den insgesamt in Rheinland-Pfalz Behandelten.

Explainable AI – Data Mining klinischer Patientendaten

Louisa Schwarz (Promotion)

Innerhalb dieses Projektes werden verschiedene Ansätze aus dem Bereich des Machine Learning angewandt, mit dem Ziel Prototypen klinischer Vorhersagemodelle zu erstellen. Unter Verwendung der klinischen und epidemiologischen Krebsregisterdaten können diese Modelle die Entstehung eines Rezidivs oder die Überlebensfähigkeit von Krebspatienten prognostizieren. Besonderer Fokus liegt hierbei auf der Anwendung von Methoden, welche die Erklärbarkeit und Interpretierbarkeit von Machine Learning-Modelle untersuchen, da diese oftmals durch eine Black-Box charakterisiert sind. Diese Ansätze analysieren die zugrundeliegende Funktionsweise von Black-Box-Modellen, wie etwa der Untersuchung der Variablenwichtigkeit.

Vergleich der Kodierung maligner Lymphome zwischen einrichtungsbezogenen und flächendeckenden Krebsregistern und Verifikation anhand von Quelldaten im Netzwerk des UCT-Mainz

Helena Heinrich (Promotion)

Ziel des Projektes ist die Erfassung der Kongruenz der vom UCT an das Krebsregister Rheinland-Pfalz übermittelten Diagnosedaten maligner Lymphome mit einer Reklassifizierung anhand aktueller Klassifikationsmodelle. Eine barrierefreie Kommunikation zwischen den verschiedenen Plattformen der Krebsregistrierung ist von hohem Interesse. In Vorbereitung für einen Datenaustausch zwischen Landeskrebsregistern und dem sich in Entstehung befindliche Register der German-Lymphom-Alliance (GLA-R) ist es notwendig, die vorliegenden Unterschiede der Klassifikationssysteme zu erfassen, um anschließend Lösungsmöglichkeiten für einen fehlerfreien Übertragungsmodus zu entwickeln. Hierzu wird die Kodierung des Landeskrebsregisters Rheinland-Pfalz mit einem Deep-Review anhand der Vorgaben des GLA-R im Bereich des Netzwerkes des UCT-Mainz betrachtet.

Vorläufiges Thema: Verbesserung der Datenqualität von digitalen Patientenakten durch maschinelles Lernen

Philipp Röchner (Promotion)

Innerhalb des Projekts werden unterschiedliche Verfahren des maschinellen Lernens untersucht, mit dem Ziel die Datenqualität digitaler Krankengeschichten zu verbessern. Dies beinhaltet zunächst die Definition von Datenqualität im medizinischen Kontext von Meldeprozessen mit besonderem Fokus auf die Anforderungen von Krebserkrankungen. Im nächsten Schritt werden Maßnahmen zur Steigerung der Datenqualität durch maschinelles Lernen entlang des Prozesses der Meldungs-bearbeitung betrachtet. Schwerpunkt ist hierbei die Zuordnung unterschiedlicher Meldungen zu einem Patienten und einer Erkrankung dieses Patienten (Record Linkage), sowie das Zusammenführen der teilweise widersprüchlichen Information zu einer einheitlichen Krankengeschichte (Record Fusion).

Erfolgreich abgeschlossene Abschlussarbeiten

Prototypische Implementierung einer bidirektionalen Schnittstelle zwischen dem klinischen Krebsregister Rheinland-Pfalz und der Biomaterialbank der Universitätsmedizin Mainz

Andreas Heinz (Bachelor of Science)

Ziel dieser Arbeit war die Bewertung eines Datenaustausches zwischen dem Krebsregister Rheinland-Pfalz und der Biomaterialbank der Universitätsmedizin Mainz hinsichtlich Machbarkeit (Implementierung) und Nutzen sowie die Erstellung eines Prototyps für einen solchen Austausch. Hierzu wurden die Datenschemata beider Institutionen analysiert und eine Liste der auszutauschenden Daten erstellt. Daraufhin folgte die Entwicklung eines Datenexports aus dem Krebsregister sowie eine prototypische Implementierung für einen Import der Daten der Biomaterial-bank, um einen Datenvergleich und -austausch zu ermöglichen. Die onkologische Versorgung kann durch einen solchen Datenaustausch durch die Bereitstellung von quantitativ sowie qualitativ besseren Daten beider Institute profitieren.

Nutzungsmöglichkeit von Routinedaten der klinischen Krebsregister nach § 65c SGB V als Sekundärdaten für Forschungszwecke der Pharmaindustrie

Yvonne Winkler (Master of Science)

Diese Arbeit widmete sich der Fragestellung, ob die in den klinischen Krebsregistern vorhandenen Daten für die forschende Pharmaindustrie als Sekundärdaten genutzt werden können. Die Fragestellung wurde mittels Umfragen an die klinischen Landeskrebsregister und den Unterausschuss „Klinische Forschung“ des Verbands Forschender Arzneimittelhersteller (VFA) beantwortet. Die klinischen Krebsregister wurden zum Status Quo der aggregierten Datenlieferungen durch die Krebsregister an Außenstehende befragt. Mit der Befragung des Unterausschusses Klinische Forschung des VFA wurde ein Nutzen der klinischen Krebsregisterdaten für Forschungsvorhaben der pharmazeutischen Industrie evaluiert. Mittels der Umfrage wurde erhoben, inwiefern die in den klinischen Landeskrebsregistern vorhanden Datensätze die Beantwortung von Forschungsfragen der Pharmafirmen unterstützen können und evaluiert, ob seitens der befragten Firmen bereits Daten aus Landeskrebsregistern für Forschungs-zwecke abgerufen wurden.

Vergleich von Tumorbehandlungen mit Erstdiagnose und Tumorkonferenz in zertifizierten versus nicht zertifizierten Einrichtungen in Rheinland-Pfalz anhand von Krebsregisterdaten

Raja Schirrmacher (Master of Science)

Zur Prüfung der Qualität von Krebsbehandlungen wurde die freiwillige Zertifizierung von onkologisch tätigen Einrichtungen eingeführt, weswegen großes Interesse darin besteht zu sehen, inwieweit sich die Behandlung in zertifizierten Einrichtungen von der Behandlung in nicht zertifizierten Einrichtungen unterscheidet. Im Fokus der hier durchgeführten Pilotstudie stehen zwei der häufigsten Tumorentitäten: ICD-10 C50 (bösartige Neubildung der Brustdrüse) und ICD-10 C61 (bösartige Neubildung der Prostata). Basierend auf den hier vorgesehen Vergleichsanalysen im Hinblick auf Diagnose und Therapie können hinweisende Erkenntnisse darüber erlangt werden, welche Rolle die Zertifizierung bei der Gewährleistung von Qualitätsstandards in Rheinland-Pfalz spielt.

Verbesserungspotenziale der onkologischen Versorgung in Rheinland-Pfalz durch ein klinisches Krebsregister nach § 65c SGB V am Beispiel der Entität Prostatakarzinom

Lisa Gall (Bachelor of Science)

Die Thesis soll die Verbesserungspotenziale der onkologischen Versorgung, die durch klinische Krebsregister hervorgehen, verdeutlichen.

2013 trat das Krebsfrüherkennungs- und -registergesetz (KFRG) in Kraft, welches besagt, dass flächendeckend in allen Bundesländern Deutschlands ein klinisches Krebsregister etabliert werden soll. Diese klinischen Krebsregister stellen eine Weiterentwicklung zu den bereits vorhandenen epidemiologischen Registern dar. Neben der Diagnose und Häufigkeit des Tumors, werden nun zusätzlich die Behandlung und der Verlauf erfasst. Klinischen Krebsregistern wird unter anderem eine wichtige Rolle bei der Abbildung von möglichen Therapieoptionen zuteil. Schwerpunktmäßig wurde die Tumorentität Prostatakarzinom betrachtet.

Vergleich von Qualitätsindikatoren und Leitlinienadhärenz in zertifizierten vs. nicht zertifizierten Einrichtungen anhand von Daten des Krebsregisters Rheinland-Pfalz

Dr. Stefanie Schulz (Master of Science)

Im Jahr 2004 wurden die ersten Onkologischen Zentren in Rheinland-Pfalz von der Deutschen Krebsgesellschaft zertifiziert. Diese Zentren sollen eine gleichbleibend hohe Qualität in der Versorgung von onkologischen Patienten sicherstellen. Diese Masterarbeit soll vergleichen, ob und inwieweit sich die Behandlung in zertifizierten und nicht zertifizierten Einrichtungen unterscheidet: Dazu wird die Einhaltung der Qualitätsindikatoren und damit die Leitlinienadhärenz für die Tumorentitäten Mammakarzinom, nicht-kleinzelliges Lungenkarzinom und kolorektales Karzinom verglichen und anhand von Daten des Krebsregisters Rheinland-Pfalz untersucht.

Real World-Daten von Brust-, Lungen-, Darm- und ProstatakrebspatientInnen – Ein longitudinaler Vergleich zwischen Krebsregister- und Krankenkassendaten

Lisa Lang (Master of Science)

Real World-Daten (RWD) sind Informationen aus der realen Versorgungswelt, die neue Erkenntnisse zu den Charakteristiken und Behandlungsarten von Tumor-patientInnen in der Routinepraxis liefern können. Gerade in der Krebsforschung haben diese in den letzten Jahren an Bedeutung gewonnen. Voraussetzung dafür ist, dass die Daten validiert und vollständig sind. Im Rahmen dieser Masterarbeit sollen die existierenden RWD zu den vier häufigsten Krebsarten in Deutschland aus zwei unabhängig voneinander erstellten Datenbanken, die des Krebsregisters Rheinland-Pfalz und des InGef – Institut für angewandte Gesundheitsforschung Berlin, miteinander verglichen werden. Anhand dieses Vergleichs soll festgestellt werden, ob die Datensätze der beiden Datenbanken vollständig und vergleichbar sind. Daraus kann geschlossen werden, ob sich beide Datenbanken für die Nutzung von RWD in der Krebsforschung ergänzen können und wo Lücken im Reporting bestehen.

Nutzung von Krebsregisterdaten im Zusammenhang mit der Gutenberg-Gesundheitsstudie

Identifizierung von metabolischen Faktoren, die die Entwicklung von Krebs bei Teilnehmern der Gutenberg-Gesundheitsstudie, einer prospektiven, bevölkerungsbasierten Kohortenstudie, vorhersagen

Dr. Eva Bedenbender-Stoll (Master of Science)

In dieser Arbeit wurde analysiert, ob das Metabolische Syndrom oder einzelne metabolische Faktoren das Krebsrisiko für alle invasiven Krebsarten gesamt oder für eine spezifische Krebsart erhöhen. Hierzu wurden medizinische und soziodemographische Daten, die in der populationsbasierten, prospektiven Gutenberg-Gesundheitsstudie (GHS) erhoben wurden, mittels eines stochastischen Verfahrens mit Daten des Krebsregisters Rheinland-Pfalz verknüpft. Mittels der „Proportional Hazards –Methode der konkurrierenden Risiken“ wurde der Zusammenhang zwischen dem Vorliegen des Metabolischen Syndroms oder einzelner metabolischen Faktoren und der Krebsentstehung berechnet. Die Analysen wurden für weitere Einflussfaktoren wie Alter, sozioökonomischer Status oder körperliche Aktivität adjustiert.

Risiko für inzidenten Brust-, Darm-, Lungen- und Prostatakrebs bei einer Vorgeschichte kardiovaskulärer Ereignisse – Eine eingebettete Fall-Kontroll-Studie in einer deutschen bevölkerungsbezogenen Kohorte

Benedikt Brach (Master of Science)

In dieser Arbeit wird analysiert, ob es in der Kohorte der prospektiven, bevölkerungsbezogenen Gutenberg-Gesundheitsstudie (GHS) einen kausalen Zusammenhang zwischen kardiovaskulären Ereignissen und einer nachfolgenden Krebsdiagnose gibt. Dafür soll auf den Abgleich der Daten der GHS mit denen des Krebsregisters Rheinland-Pfalz zurückgegriffen werden. Deskriptiv soll dargestellt werden, wie häufig kardiovaskuläre Ereignisse in der Vorgeschichte inzidenter Krebspatienten im Vergleich zur Gesamtbevölkerung auftreten. Mittels einer bedingten logistischen Regression soll daran anknüpfend ermittelt werden, ob sich eine möglicherweise erhöhte Last kardiovaskulärer Ereignisse auf eine kausale Beziehung zu einer Krebsdiagnose zurückführen lässt, oder auf gemeinsame Risikofaktoren beider Krankheitsgruppen zurückgeht.

Wie valide sind Selbstangaben zu Krebserkrankungen von Studien-teilnehmern der Gutenberg-Gesundheitsstudie? Ein Abgleich zwischen dem klinisch-epidemiologischen Krebsregister Rheinland-Pfalz und der Gutenberg-Gesundheitsstudie.

Melissa Schoeps (Master of Science)

In dieser Arbeit wurde die Validität der Selbstangaben zu Krebserkrankungen in der prospektiven, regionalen Gutenberg-Gesundheitsstudie (GHS) durch einen Vergleich dieser Angaben mit den im Krebsregister Rheinland-Pfalz vorliegenden Krebserkrankungen untersucht. Hierfür wurden die Studienteilnehmer der GHS mittels eines stochastischen Record-Linkage Verfahrens auf Kontrollnummerbasis im Datenbestand des Krebsregisters identifiziert und das Maß der Über-einstimmung zwischen den beiden Informationsquellen anhand von Sensitivität, Spezifizität, PPV und gewichteten Kappas bestimmt. Darüber hinaus folgte mittels univariaten und multivariaten logistischen Regressionsanalysen eine Identifizierung jener soziodemographischen Faktoren und klinischen Parametern, die mit falschen Selbstangaben zu Krebserkrankungen assoziiert waren.

Automatische Befundklassifikation und Datenqualität

Textklassifikation des Histologiebefundes nach ICD-O per Deep Learning in Kooperation mit dem Klinischen Krebsregister Rheinland-Pfalz

Johannes Heck (Master of Science)

Im Rahmen der Arbeit erfolgte die Ausarbeitung eines Modells zur automatischen Textklassifikation von Histologiebefunden, welches die Meldungsbearbeitung im Krebsregister Rheinland-Pfalz unterstützen und optimieren soll. Hierfür wurde ein entsprechender Datensatz aufbereitet und mit Methoden des maschinellen Lernens, speziell Deep Learnings (= tiefe neuronale Netze), überwacht ("supervised") klassifiziert. Außerdem wurden ICD-O-Klassen identifiziert, die für eine automatische Verarbeitung besonders geeignet sein könnten. Die Performance des neuronalen Netzes wurde anhand von sogenannten Benchmarks (Naive Bayes, Support Vector Machines) bewertet und eine Empfehlung für die zukünftige Verwendung der Technologie ausgesprochen.

Textklassifikation von Pathologieberichten mittels Machine Learning: Einfluss der Embeddings BPEmb und TF-IDF

Sebastian Reimer (Bachelor of Science)

Ziel dieser Arbeit war die Entwicklung eines Klassifikationsmodells, um Pathologieberichte in deutscher Sprache mittels Machine Learning zu klassifizieren. Des Weiteren wurde der Einfluss der verwendeten Daten-repräsentation auf die Klassifikation der Pathologieberichte untersucht. Als Klassifikationsmodelle wurden eine Support Vector Machine (SVM) und als Vergleichsmodell eine logistische Regression (LR) verwendet, als Daten-repräsentationen Term Frequency-Inverse Document Frequency (TF-IDF) und Byte-Pair Embedding (BPEmb). Die Datengrundlage stellten Pathologieberichte des Krebsregisters Rheinland-Pfalz dar, wobei der Fokus auf der Ermittlung der Seitenlokalisation des Tumors lag. Solche Modelle stellen eine Möglichkeit der beschleunigten Informationsextraktion aus Pathologieberichten dar und könnten medizinische Dokumentare entlasten.

Autoencoder- und Attribute Value Frequency-basierte Anomalieerkennung für Datenqualitätssicherung in Kooperation mit dem klinischen Krebsregister Rheinland-Pfalz

Henry Lam (Projektarbeit)

In dieser Arbeit sollte ein geeignetes Verfahren aus dem Feld des maschinellen Lernens für den Einsatz von Datenqualitätssicherung im Krebsregister Rheinland-Pfalz gefunden werden. Der Fokus lag dabei auf unüberwachten Anomalie-erkennungsverfahren zur Identifikation „anomaler“ bzw. fehlerhafte Datensätze. Hierzu erfolget eine Betrachtung und ein Vergleich zwischen Attribute Value Frequency und Autoencoder, die für Anomalieerkennung in kategorialen Daten geeignet sind. Für Evaluationszwecke wurden beide Verfahren auf einen Auszug aus Datensätzen von Prostatakrebspatienten aus der Datenbank des Krebsregisters Rheinland-Pfalz angewandt.

Datenauswertung

Verbesserung der Prognose der Überlebensfähigkeit von Krebspatient*innen mit Hilfe verschiedener Imputationstechniken in Kooperation mit dem Krebsregister RLP

Philipp Klos (Master of Science)

In Rahmen dieser Masterarbeit steht die Untersuchung verschiedener Imputationstechniken zur Verbesserung der Datenqualität und damit der Vorhersagegenauigkeit von Überlebensprognosen bei Darmkrebspatientinnen und -patienten im Fokus. Unvollständige Datensätze in medizinischen Registern erschweren eine präzise und zuverlässige Prognose. Die Studie vergleicht daher drei Ansätze der Datenimputation: Modus Imputation, Multiple Imputation und Deep Learning-basierte Imputation mittels Autoencodern. Ziel ist es, zu ermitteln, inwiefern die Wahl der Imputationstechnik die Genauigkeit und Zuverlässigkeit der Prognosemodelle beeinflusst. Dies wird durch die Implementierung und das Training eines neuronalen Netzwerks realisiert, welches anschließend die Prognoseleistung der verschiedenen imputierten Datensätze bewertet.

Anwendung von Machine Learning zur Vorhersage der Therapiemethode bei einem Prostatakarzinom

Klara Krämer (Master of Science)

Das Ziel der Masterarbeit ist es, zu überprüfen, ob die Art der Ersttherapie bei einem Prostatakarzinom auf Basis der Diagnosedaten mit Methoden des maschinellen Lernens vorhergesagt werden kann. Zur Datenvorbereitung werden verschiedene Kodierungen kategorischer Daten, Imputing-Methoden und Sampling-Algorithmen angewendet und verglichen. Das entwickelte Modell soll in der Lage sein, eine Klassifikation zwischen den vier Therapiegruppen - Operation, Strahlentherapie, Aktive Überwachung und Systemtherapie (ohne Aktive Überwachung) - durchzuführen. Die Arbeit konzentriert sich insbesondere auf Entscheidungsbaum-basierte Methoden sowie auf Neuronale Netze, um dieses Ziel zu erreichen.

Eventfreies Überleben bei Darmkrebspatientinnen und -patienten mittels Maschinellem Lernen prognostizieren und Resistenzen bei Systemtherapien erklären

Sarah Vogel (Master of Science)

Im Rahmen des Masterseminars und der Masterarbeit werden mit geeigneten Verfahren des maschinellen Lernens Klassifikationsmodelle erstellt, welche bei Darmkrebspatienten Event freies Überleben prognostizieren sollen. Hierzu werden zunächst im Preprocessing die klinischen Daten, welche vom Krebsregister Rheinland-Pfalz zur Verfügung gestellt werden, untersucht und aufbereitet. Bei der anschließenden Klassifikation durch Modelle sollen mögliche Resistenzen bei Systemtherapien berücksichtigt werden. Im Anschluss sollen die Modelle anhand der Variablenwichtigkeit und der Erklärbarkeit von Resistenzen bei Systemtherapien analysiert werden.

Der Einsatz von Erklärbare Künstliche Intelligenz (XAI) zur Verbesserung der Überlebensprognose bei Bauchspeicheldrüsenkrebs eines Machine Learning-Vorhersagesystems in Kooperation mit dem Krebsregister Rheinland-Pfalz gGmbH

Christian Loor (Master of Science)

Die vorliegende Masterarbeit konzentriert sich auf den Einsatz Erklärbarer Künstlicher Intelligenz (XAI) zur Verbesserung der 2-Jahres-Überlebensvorhersage bei Bauchspeicheldrüsenkrebs mittels Machine Learning (ML). Im ersten Schritt wird ein Datensatz des Krebsregisters Rheinland-Pfalz im Institut für digitale Gesundheitsdaten (IDG) untersucht und für die Anwendung von ML-Modellen aufbereitet. Die darauffolgende Entwicklung der ML-Modelle zielt darauf ab, das 2-Jahres-Überleben betroffener Patientinnen und Patienten zu prognostizieren. Besonderes Augenmerk liegt hierbei auf dem Einsatz von XAI-Techniken, die dazu beitragen, die Vorhersage und Wirkungsweise der ML-Modelle genauer zu analysieren.

Ein Vergleich verschiedener Verfahren der Feature Imputation für die Überlebenszeitvorhersage von Eierstockkrebspatientinnen mittels Machine Learning in Kooperation mit der Krebsregister Rheinland-Pfalz gGmbH

Daniel Jansen (Master of Science)

Medizinische Datensätze weisen aus unterschiedlichsten Gründen häufig Lücken auf. Viele Methoden des maschinellen Lernens (ML) setzen jedoch vollständige Datensätze voraus. Bevor ML-basierte Vorhersagen über das Überleben von Patientinnen und Patienten getroffen werden können, müssen diese Lücken sinnvoll gefüllt werden. Ziel dieser Masterarbeit ist es daher, verschiedene Verfahren der sogenannten „Feature Imputation“ zu vergleichen und zu untersuchen, inwieweit diese die Prognosequalität für das zweijährige Überleben von Patientinnen mit Ovarialkarzinom beeinflussen. Als Imputationsverfahren werden dabei eine Simple Imputation, der k-nearest-neighbor Imputer sowie ein iterativer Imputer betrachtet. Die jeweils an die Imputation anschließende Überlebensprognose wird mittels eines Random Forests durchgeführt, wobei die jeweilige Performance anhand verschiedener Metriken evaluiert und abschließend mit statistischen Methoden validiert wird.

Entwicklung eines Klassifikationsmodells für die Rezidivprognose bei Urothelkarzinomen per Deep Learning in Kooperation mit dem Krebsregister Rheinland-Pfalz

Louisa Schwarz (Master of Science)

Ziel dieser Masterarbeit ist die Entwicklung von Klassifikationsmodellen durch Machine Learning, anhand derer die Wahrscheinlichkeit der Entstehung eines Rezidivs bei Patienten mit Urothelkarzinom zu prognostizieren ist. Die Klassifikationsmodelle werden mittels einer Support Vector Machine (SVM) und eines Künstlichen Neuronalen Netzwerkes (englisch: Artificial Neural Network, ANN) entwickelt und miteinander verglichen. Zudem wird deren Performance anhand statistischer Methoden bzw. Benchmarks validiert. Der Analyse anschließend werden Empfehlungen ausgesprochen, wie ein entsprechendes Prognosemodell für die Rezidiventstehung konzipiert sein sollte. 

Deep Learning Ansätze zur Vorhersage einer Überlebensprognose von Lungenkrebspatienten unter Verwendung elektronischer Gesundheitsdaten der Krebsregister Rheinland- Pfalz gGmbH

Jonas Utz (Master of Science)

Innerhalb dieser Masterarbeit werden verschiedene Deep Learning Ansätze angewandt, um ein Prognosemodell für das Überleben von Lungenkrebspatienten zu entwerfen. Dabei wird ein entsprechender Datensatz des Krebsregister Rheinland-Pfalz mittels künstlicher neuronaler Netzwerke klassifiziert. Das Ziel dabei ist es Prognosemodelle mittels Supervised learning (Überwachtes Lernen) und Semi-supervised learning (Semi-Überwachtes Lernen) zu entwickeln und zu vergleichen, um verlässliche Aussagen für eine Prognose treffen zu können. Am Ende wird die Leistungsfähigkeit der Modelle anhand von statistischen Methoden untersucht.

Der Krankheitsverlauf von Prostatakarzinomen: Eine Untersuchung des Effekts der Differenzialtherapie anhand von Data Mining in Kooperation mit der Krebsregister Rheinland-Pfalz gGmbH

Zoe Werum (Master of Science)

Im Rahmen der Masterarbeit wird mit Hilfe von Data Mining der Effekt der radikalen Prostatektomie und der Strahlentherapie auf den Krankheitsverlauf des Prostatakarzinoms untersucht und verglichen. Dazu prognostizieren Verfahren von Maschine Learning den Krankheitsverlauf im Hinblick auf den Progress der Erkrankung bzw. das Auftreten von Rezidiven. Im Anschluss erfolgt eine Prüfung der statistischen Signifikanz der Einflussvariablen mit Fokus auf die radikale Prostatektomie und die Strahlentherapie. Abschließend werden Interdependenzen der ausgewählten Variablen zu den beiden Behandlungsmethoden beleuchtet.

Data Mining klinischer Patientendaten und Konzeption eines Prognose-modells zur Überlebensfähigkeit von Brustkrebspatienten per Deep Learning in Kooperation mit der Krebsregister Rheinland-Pfalz gGmbH

Joanna Wilfer (Master of Science)

Das Ziel der Arbeit war die Konzeption eines Prognosemodells zur Überlebensfähigkeit von Brustkrebspatienten auf Basis von klinischen Patienten-daten. Hierfür wurden verschiedene Klassifikationsmodelle (bspw. 5 bzw. 10 Jahresprognosen) entwickelt und deren Potential getestet. Am Ende der Analyse sollte die Forschungsfrage beantwortet werden, wie ein Prognosemodell zur Überlebensfähigkeit von Brustkrebspatienten konzipiert sein sollte, um verlässliche Vorhersagen treffen zu können. Die Leistungsfähigkeit der Modelle wurde anhand von statistischen Methoden untersucht. Zusätzlich wurde der Einfluss der verwendeten Variablen auf die Güte des Modells geprüft.

Vergleich von Kodierung der Neubildungen nach ICD-10 und ICD-O-3 Klassifizierung zwischen Kodierern und Goldstandard sowie Kodierern untereinander im Krebsregister Rheinland-Pfalz

Lisa Lappe (Master of Science)

Das Ziel der Masterarbeit bestand in einem Vergleich der Kodierungen von Neoplasien nach ICD-10 und ICD-O-3 Klassifizierung im Krebsregister Rheinland-Pfalz. Die Kodierungen wurden hierbei auf ihre Übereinstimmung mit einem intern erstellten Goldstandard und der Übereinstimmung unter den verschiedenen Kodierern untersucht. Der Fokus lag dabei auf den von Pathologen übermittelten Daten zur Diagnose, der Lokalisation und der Histologie der bösartigen Neubildungen. Diese Studie erfolgte zum Zweck der Qualitätssicherung im Krebsregister Rheinland-Pfalz.

*Prämierung durch das Gutenberg Lehrkolleg Mainz (Fachbereich Universitäts-medizin)

Optimierung des Meldeprozesses - Bau eines Entscheidungsunterstützungs-systems für die Tumorzuordnung mittels Deep Learning und Extreme Gradient Boosting in Kooperation mit dem Krebsregister Rheinland-Pfalz

Martin Briesch (Projektarbeit)

Im Rahmen dieser Arbeit wurden im Krebsregister Rheinland-Pfalz verwendete Prozesse der Tumorzuordnung zu deren Optimierung untersucht und bewertet. Als mögliche Alternative wurden Methoden des maschinellen Lernens (Extreme Gradient Boosting, Deep Learning) getestet und evaluiert. Zusätzlich wurde ein Prototyp für eine produktive Implementierung entwickelt.

Krebsregistratur. Daten zur Epidemiologie und Therapie einer Krankheit managen.

Pia Heindl (Master of Science)

Diese Masterarbeit beschäftigte sich mit der Frage, wie Krebsregister die individuellen Krankheitsdaten von Krebspatienten verwenden, um aus ihnen kollektives Krankheitswissen generieren zu können. Hierfür wurden die internen Abläufe der Abteilung Datenmanagement des Krebsregisters Rheinland-Pfalz mittels teilnehmender Beobachtungen und Interviewdurchführungen untersucht. Dabei lag ein besonderer Fokus auf den Zuordnungs-, Überprüfungs- und Systematisierungsprozessen, die eine Objektivierung der eingehenden Krankheitsdaten sowie die Rekonstruktion von Krankengeschichten und Patientenidentitäten zum Ziel haben.

Aufbau und Einführung eines integrierten Qualitätsmanagementsystems - Erhöhung der Akzeptanz durch die Belegschaft innerhalb einer Organisation

Marco Sieben (Bachelor of Arts)

Diese Arbeit befasste sich mit der Einführung eines integrierten Qualitätsmanagementsystems. Die Zusammenführung verschiedener Managementsysteme in einem integrierten Qualitätsmanagementsystem, dessen Einfluss auf die Komplexität und die Messung von resultierender Qualitäts-steigerung wurden erläutert und diskutiert. Als weiterer Punkt wurde die Erhöhung der Akzeptanz, eingehend mit der Bereitschaft zu Veränderungen (der kognitiven und affektiven Bereitschaft), der Bedeutung von Widerstand und der Zusammenhang von Führung und Visionskommunikation analysiert. Beispiels-halber wurde die Umsetzung im Krebsregister Rheinland-Pfalz bezüglich der Implementierung und der Erhöhung der Akzeptanz durch Mitarbeitende innerhalb der Organisation betrachtet.