Prof. Dr. Petra Knaup-Gregori | |
Stellvertretende Institutsleitung | |
Institut für Medizinische Informatik, Universitätsklinikum Heidelberg | |
Ausbildung und Studium:
Studium der Medizinischen Informatik an der Universität Heidelberg und der Fachhochschule Heilbronn
Habilitation in Medizinischer Informatik an der Privaten Universität für Gesundheitswissenschaften, Medizinische Informatik und Technik (UMIT, Hall in Tirol, Österreich)
Wissenschaftlicher Werdegang:
Stellvertretende Direktorin, Institut für Medizinische Informatik
Universitätsklinikum Heidelberg, apl. Professor für Medizinische Informatik an der Universität Heidelberg
Zertifikat Medizinische Informatik der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (GMDS) e.V. und der Gesellschaft für Informatik (GI) e.V.
Akademische Ehrenämter:
Seit 2020 Mitglied im Fachkollegium Medizin der Deutschen Forschungsgemeinschaft (DFG)
Seit 2020 Hauptschriftleiterin der Zeitschrift GMS Medizinische Informatik, Biometrie und Epidemiologie
Seit 2012 Leiterin des Fachausschusses "Informationsmanagement in der Medizin" der Deutschen Gesellschaft für Biomedizinische Technik (DGBMT)
2011- 2018 Vertreterin der GMDS in der International Medical Informatics Association (IMIA)
Seit 2011 Mitglied im Editorial Board der Zeitschrift Methods of Information in Medicine
2006-2008 und 2010-2012 Gewählte Leiterin des Fachausschusses Medizinische Informatik der GMDS, Mitglied im Vorstand der GMDS
- Patientenpartizipation in Forschung und Versorgung
- Digitalisierung in der Lehre
Cystic Fibrosis
- Benning NH, Knaup P, Rupp R. Measurement Performance of Activity Measurements with Newer Generation of Apple Watch in Wheelchair Users with Spinal Cord Injury. Methods Inf Med. 2021 Dec;60(S 02):e103-e110. doi: 10.1055/s-0041-1740236.
- Gietzelt M, Löpprich M, Karmen C, Knaup P, Ganzinger M. Models and Data Sources Used in Systems Medicine. A Systematic Literature Review. Methods Inf Med. 2016;55(2):107-13. doi: 10.3414/ME15-01-0151.
- Gietzelt M, Karmen C, Knaup-Gregori P, Ganzinger M. vivaGen - a survival data set generator for software testing. BMC Bioinformatics. 2020 Apr 29;21(1):167. doi: 10.1186/s12859-020-3478-x.
- Karmen C, Gietzelt M, Knaup-Gregori P, Ganzinger M. Methods for a similarity measure for clinical attributes based on survival data analysis. BMC Med Inform Decis Mak. 2019 Oct 21;19(1):195. doi: 10.1186/s12911-019-0917-6.
- Firnkorn D, Ganzinger M, Muley T, Thomas M, Knaup P. A Generic Data Harmonization Process for Cross-linked Research and Network Interaction. Construction and Application for the Lung Cancer Phenotype Database of the German Center for Lung Research. Methods Inf Med. 2015;54(5):455-60. doi: 10.3414/ME14-02-0030.
Dr. Urs Eisenmann | Technische Projektleitung | ||
Friedemann Ringwald | Datenwissenschaftler | ||
Niclas Hagen | Datenwissenschaftler |
Lungenforschung - Projekte
1. Deep Learning-basierte Visualisierung von Perfusionsdefekten zur Unterstützung des MRT-basierten Perfusionsscoring der Lunge bei Mukoviszidose (CF-MRXAI)
Projektpartner: Klinik für Diagnostische und Interventionelle Radiologie, Universitätsklinikum Heidelberg
Förderung: DZL
Im Projekt CF-MRXAI soll radiologisches Fachpersonal durch Methoden der Explainable Artificial Intelligence (XAI) beim CF-Scoring von Perfusions-MRTs unterstützt werden, um die Intra- und Inter-Reader-Variabilität zu reduzieren. Die Grundidee ist es Radiologinnen und Radiologen zusätzlich zur Perfusionssequenz durch XAI erzeugte Visualisierungen zu präsentieren um eine objektivere Einschätzung des Perfusionsscores zu ermöglichen. Hierbei werden neben dem aktuellen zu scorenden Fall Referenzvisualisierungen ähnlicher Fälle mit vergleichbaren, etwas weniger ausgeprägten bzw. etwas stärker ausgeprägten Perfusionsdefiziten dargestellt. Nach Entwicklung eines intuitiven Softwarewerkzeuges, wird dieses vom radiologischen Fachpersonal evaluiert um Rückschlüsse auf die Inter- und Intra-Reader Variabilität treffen zu können.
2. Automatische Quantifizierung struktureller und funktioneller Anomalien auf der Magnetresonanztomographie des Brustkorbs bei zystischer Fibrose (CF) auf der Grundlage von maschinellem Lernen
Projektpartner: Klinik für Diagnostische und Interventionelle Radiologie, Universitätsklinikum Heidelberg
Förderer: Vertex Innovation Award
Um Radiologen beim Scoring der Mukoviszidose auf MRT zu unterstützen und den diagnostischen Prozess zu optimieren, soll ein Deep-Learning basierter Ansatz genutzt werden um eine Klassifikation der einzelnen CF-Teilscores durchzuführen. Unser Ziel ist es ein automatisiertes computergestütztes Scoring-System zu entwickeln, das strukturelle und funktionelle Lungenanomalien im MRT des Brustkorbs bei Mukoviszidose-Patienten jeden Alters einbezieht. Hierfür soll eine Software entwickelt werden, um ein schnelles und benutzerunabhängiges objektives quantitatives Maß für morpho-funktionelle Veränderungen in der CF-Lunge zu liefern. Neben der automatischen Klassifizierung wird die Software auch eine intuitive Entscheidungshilfe für menschliche Leser bieten.
