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

Vorläufiges Thema: Verbesserung der Datenqualität von digitalen Krankengeschichten 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).


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.


Überlebensprognose von Brust- und Lungenkrebspatienten

Joanna Wilfer (Promotion)

Innerhalb dieses Projekts wird ein Prognosemodell zum Überleben von Brust- und Lungenkrebspatienten mithilfe von Methoden des maschinellen Lernens entwickelt. Zusätzlich wird mithilfe einer Sensitivitätsanalyse überprüft, welche Faktoren den größten Einfluss auf die richtige Prognose der Überlebensfähigkeit haben. Die Grundlage der Arbeit bilden Daten des Krebsregisters zum Tumor und zur Therapie.


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.

Identification of metabolic factors predicting the development of cancer in participants of the Gutenberg Health Study, a prospective, population-based cohort study

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.


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

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.

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.