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


Der Einsatz von Erklärbare Künstliche Intelligenz (XAI) zur Verbesserung der Überlebensprognose bei Bauchspeicheldrüsenkrebs eines Machine Learning-Vorhersagesystems in Kooperation mit dem Krebsregister Rheinland-Pfalz in der IDG Institut für digitale Gesundheitsdaten RLP 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.


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.


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).


Beendete 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

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.