Open Access

Einleitung/Zielstellung: Die Qualität der medizinischen Behandlung wurde durch Patient Reported Outcome Measures um die Patientenperspektive erweitert. Im Rahmen eines Pilotprojektes wurde in der Wirbelsäulenchirurgie des Universitätsklinikums Leipzig die Ein- und Durchführung von PROM-Befragungen bei elektiv stationär behandelten Patient:innen erprobt. Dabei sollten neben der Untersuchung auf Veränderungen zwischen den Befragungszeitpunkten sowie den Untersuchungen auf Unterschiede zwischen den Geschlechtern, zwischen verschiedenen Altersgruppen, zwischen der Art der Behandlung und zwischen den behandelten Bereichen der Wirbelsäule auch methodische Fragestellungen bezüglich der Kontaktmöglichkeiten von Patient:innen und ihrem Umgang mit den digitalen Befragungen per Tablet beantwortet werden. Abschließend sollte aus den Erfahrungen des Projektes ein Prozess für die routinemäßige Erhebung von PROMs entwickelt werden. Methodik: Die Datenerhebung erfolgte an zwei Zeitpunkten. Die erste Befragung der Patient:innen erfolgte vor deren Behandlung im Universitätsklinikum Leipzig, eine zweite Befragung fand zur Entlassung der gleichen Patient:innen statt. Zu den Befragungen beantworteten die Teilnehmenden jeweils einen generischen und zwei krankheitsspezifische PROM-Fragebögen. Dabei wurden 144 Personen vor ihrer Behandlung befragt, von denen 90 auch zu ihrer Entlassung an der Befragung teilnahmen. Ergebnisse: Die Daten zeigten bei drei der Fragebögen eine signifikante Verbesserung der Indizes bzw. Scores vom ersten zum zweiten Befragungszeitpunkt. Bei der Befragung der Patient:innen zu deren Entlassung zeigte sich bei zwei Fragebögen ein signifikanter Unterschied zwischen operativer und konservativer Behandlung. Weitere signifikante Unterschiede konnten nicht ermittelt werden. Eine medizinische Auswertung der erhobenen Ergebnisse erfolgte nicht. Diskussion/Schlussfolgerung: Das Pilotprojekt zeigte, dass die verwendeten Fragebögen bei einer heterogenen Gruppe von Patient:innen der Wirbelsäulenchirurgie angewendet werden können. Zudem konnten bereits zum Zeitpunkt der Entlassung signifikante Verbesserungen des Gesundheitszustandes nachgewiesen werden. Dennoch ist für die Einführung von PROMs in der Routineversorgung eine längerfristige Befragung der Patient:innen nach der Entlassung aus dem Krankenhaus notwendig, um mithilfe von PROMs eine belastbare Aussage über die Ergebnisqualität einer Behandlung treffen zu können.

Optimierung der Schnittstelle von Verkleidung Stoßfänger hinten zum Seitenrahmen

Das Ziel der vorliegenden Masterarbeit war es, ein „Proof of Concept“ für eine sichere IoT-Gerätebasis zu entwickeln. Des Weiteren sollten Aussagen über die Sicherheitsanforderungen der Zertifizierung von PSA Certified getroffen werden, da diese Zertifizierung als Grundlage für die Gerätebasis definiert wurde. Dafür wurden die „PlatformSecurityArchitecture“ und das „PlatformSecurityModel“ untersucht. Mithilfe dieser Dokumente wurde eine Anforderungsanalyse erstellt, um die Spezifikation der Gerätebasis zu definieren. Anschließend wurde eine Risikoanalyse erstellt, welche die Gefahren für das Zielsystem analysiert. Aus den Gefahren wurden durchführbare Attacken abgeleitet und an einem virtuellem Testsystem durchgeführt. Dabei wurden die Sicherheitslücken des Testsystems aufgezeigt und für diese entsprechende Gegenmaßnahmen definiert. Das Ergebnis der Untersuchung zeigt, dass die definierten Sicherheitsanforderungen aus der PSA-Zertifizierung ein grundlegendes Sicherheitskonzept für Systeme bieten.

Diese Arbeit untersuchte, inwieweit Deep-Learning-basierte Knowledge-Tracing-Modelle (KT-Modelle) dazu geeignet sind, das Kompetenzniveau von Lernenden im Umgang mit der Data Query Language zu erfassen und auf dieser Grundlage die Komplexität von DQL-Aufgaben dynamisch anzupassen. Ziel war es, herauszufinden, ob Interaktionsdaten, die bei der Bearbeitung von DQL-Aufgaben entstehen, als Trainingsbasis für KT-Modelle dienen können und ob diese Modelle geeignet sind, individualisierte Aufgaben mit optimalem Lerneffekt zu erzeugen. Zunächst wurde die Struktur der DQL als Teil von SQL dargestellt und ein Modell entwickelt, das die Komplexität von DQL-Aufgaben über die Häufigkeit und Art der verwendeten Syntaxelemente beschreibt. Das Kompetenzniveau eines Lernenden und die Komplexität einer DQL-Aufgabe wurden für jedes einzelne Syntaxelement separat als Teilkompetenz betrachtet. Die Zone of Proximal Development (ZPD) bildet den theoretischen Rahmen zur Bestimmung des Aufgabenbereichs, in dem ein Lerneffekt durch angemessene Herausforderung erzielt wird. Zur Evaluation wurde eine Simulation entworfen, in der Lernende einer synthetischen Lernerpopulation Aufgaben bearbeiten. Die Aufgabenkomplexität wurde zufällig innerhalb einer „geschätzten“ ZPD gewählt. Die in der Simulation entstehenden Daten wurden in einem Datensatz in einem Format des ASSISTments-Datensatzes gespeichert, um sie für existierende KT-Modelle nutzbar zu machen. Im Anschluss wurden drei Deep-Learning-KT-Modelle – Deep Knowledge Tracing (DKT), Dynamic Key-Value Memory Network (DKVMN) und Attentive Knowledge Tracing (AKT) – sowohl mit dem simulierten als auch mit dem ASSISTments-Datensatz trainiert. Die Vorhersagegenauigkeit wurde anhand der AUC (Area Under the Curve) gemessen. AKT erzielte in beiden Szenarien die höchsten AUC-Werte, während DKT und DKVMN konsistent niedrigere Werte lieferten. Alle getesteten Modelle übertrafen jedoch das Niveau zufällig ausgewählter Aufgabenkomplexitäten. Die Anwendung des trainierten DKT-Modells in der Simulation zeigt, dass die Vorhersagen von KT-Modellen über das Kompetenzniveau eines Lernenden genutzt werden können, um Aufgaben mit geeigneter Komplexität zu generieren. Diese erzeugen im Durchschnitt einen höheren Lerneffekt als zufällig gewählte Aufgaben. Die Differenz ist jedoch moderat, was auf die eingeschränkte Prognosekraft des DKT-Modells hinweist. Zudem wird deutlich, dass die Qualität der erzeugten Aufgaben wesentlich davon abhängt, wie präzise sich kontinuierlich vorhergesagte Werte für das Kompetenzniveau in konkrete Syntaxelementhäufigkeiten übertragen lassen. Insgesamt zeigt die Arbeit, dass Deep-Learning-KT-Modelle grundsätzlich geeignet sind, das Kompetenzniveau von Lernenden im Umgang mit DQL zu erfassen und Aufgaben adaptiv anzupassen. Voraussetzung für den praktischen Einsatz ist jedoch eine sorgfältige Parametrisierung der Modelle sowie eine systematische Transformation der prognostizierten Werte für das Kompetenzniveau in realisierbare Aufgabenformate.

In dieser Arbeit wurde ein mobiles, ortsaufgelöstes Druckmesssystem zur Analyse der Fußdruckverteilung im automobilen Kontext entwickelt. Ziel war es, ein kostengünstiges, modular erweiterbares System auf Basis von Force-Sensing-Resistoren (FSR) und einem Arduino-Mikrocontroller zu realisieren, das Druckverteilungen in Echtzeit erfassen und visuell darstellen kann. Die Sensorwerte werden über eine serielle Schnittstelle an eine in Visual Studio entwickelte PC-Anwendung übertragen, welche die Druckverteilung mittels SVG-Grafiken farbcodiert darstellt. Als praxisnahes Anwendungsbeispiel wurde die Druckverteilung beim Betätigen eines Bremspedals in verschiedenen Sitzpositionen untersucht. Die Messergebnisse zeigen signifikante Unterschiede in der Kraftverteilung in Abhängigkeit von der Ergonomie, was das Potenzial des Systems für Anwendungen in der Fahrzeugsicherheit, Ergonomieanalyse und Entwicklung fahrerunterstützender Systeme unterstreicht. Durch die Kombination aus einfacher Hardware, leistungsfähiger Software und einem durchdachten Kalibrieransatz stellt die Arbeit eine belastbare Grundlage für zukünftige Weiterentwicklungen dar.