Navigation und Service

Zielgruppeneinstiege

Hinweis zur Verwendung von Cookies

Mit dem Klick auf "Erlauben" erklären Sie sich damit einverstanden, dass wir Ihren Aufenthalt auf der Seite anonymisiert aufzeichnen. Die Auswertungen enthalten keine personenbezogenen Daten und werden ausschließlich zur Analyse, Pflege und Verbesserung unseres Internetauftritts eingesetzt. Weitere Informationen zum Datenschutz erhalten Sie über den folgenden Link: Datenschutz

OK

Signale - Projekte

Das Signale-Projekt wird durch das Bundesministerium für Gesundheit gefördert. Dessen Grundlage findet man unten im Projektantrag "DEMIS Signale 2". Wir sind auch Partner im "ESEG"-Projekt.

Focus Group AI for Health, Topic Group Outbreaks

Die FG-AI4H ist eine Initiative der Internationale Fernmeldeunion (ITU) und der Weltgesundheitsorganisation (WHO), die darauf zielt, Standards für die Evaluierung von Ansätzen der künstlichen Intelligenz (KI) im Gesundheitsbereich zu entwickeln. In diesem Rahmen koordinieren wir die TG Outbreaks, die sich dem Benchmarking von Ausbruchserkennung-Algorithmen widmet. Mehr Informationen unter https://www.itu.int/en/ITU-T/focusgroups/ai4h/Pages/default.aspx

Signale-Berichte

Kernaufgabe des Signale-Teams ist, das epidemiologische Frühwarnsystem des RKI zu entwickeln. Eine detaillierte Beschreibung (Stand Mai 2015) wurde in Eurosurveillance veröffentlicht und ist an dieser Seite angehängt.

Das Frühwarnsystem zielt darauf hin, in den Surveillance-Daten automatisch und frühzeitig auffällige Ereignisse zu erkennen. In erster Linie geht es um mögliche Ausbrüche, aber auch andere "Unregelmäßigkeiten" können auf ein mögliches Ereignis hinweisen. Die Stärke des Systems liegt im Wesentlichen darin, auf Basis großer Datenmengen schnell Vorschläge zu machen, wo eine genauere epidemiologische Untersuchung durchgeführt werden sollte.

Konkret wird ein Signal als "statistisch unwahrscheinliche Häufung von Fällen in einer Woche" definiert. Es ist ein Hinweis auf ein mögliches Ausbruchsgeschehen, aber kein Beweis.

Die Signalerkennung funktioniert nach folgendem Muster:

1. eine "Filterkombination", d.h. eine Kombination von Merkmalen wie z.B. Erreger, Geschlecht oder Meldeort, wird festgelegt;
2. alle gemeldete Erkrankungsfälle, die der Filterkombination entsprechen, werden in einer Zeitreihe aggregiert;
3. für diese Zeitreihe wird geschätzt, welche Anzahl unter normalen Bedingungen für heute zu erwarten ist;
4. ein Grenzwert wird bestimmt, welcher vorgibt, ab wieviel Fällen die heutige Anzahl als auffällig gilt;
5. falls die beobachtete Anzahl tatsächlich jenseits des Grenzwerts liegt, wird ein Signal für die gegebene Filterkombination generiert.

Diese Schritte werden für eine Großzahl von Filterkombinationen durchgeführt.

Die Signale-Berichte stellen wir Kolleginnen und Kollegen des öffentlichen Gesundheitsdienst (ÖGD) zur Verfügung. Wenn Sie daran Interesse haben, kontaktieren Sie uns bitte!

Die Signale-Berichte fassen, für eine Auswahl meldepflichtiger Krankheiten, die Signale der letzten 6 Wochen zusammen. Quelle: RKI Die Signale-Berichte fassen, für eine Auswahl meldepflichtiger Krankheiten, die Signale der letzten 6 Wochen zusammen. Sie werden in einer HTML-Datei dargestellt, mit zwei Tabellen, einer Karte, und zwei Balken-Grafiken, für Altersgruppe und Geschlecht. Die Berichte sind interaktiv: Man kann die Tabellen sortieren und filtern; in der Karte zoomen, entweder Fallzahl oder Inzidenz anzeigen, sowie Landkreisnamen und Bundesländer; und viel mehr.

Maschinelles Lernen

Wir verwenden und adaptieren Methoden des maschinellen Lernens, um die Ausbruchserkennung zu verbessern, vorhandene Algorithmen zu bewerten und zu optimieren, sowie um neue Erkenntnisse über Infektionsverbreitung zu gewinnen, z.B. indem externe Daten in den Analysen eingebunden werden.

Interaktive Dashboards

Für spezielle Anwendungen entwickeln wir automatische Analysen und interaktive Visualisierungen, die in RKI-internen Dashboards implementiert werden. So kann die epidemische Lage dynamisch erkundet werden und Zusammenhänge entdeckt werden.

BeSSA: Berliner Syndromische Surveillance in Notunterkünften für Asylsuchende

Im Rahmen des BeSSA-Projektes haben wir Tools zur Ausbruchserkennung und automatischen Berichterstellung entwickelt und die Fachexpertinnen bei statistischen Fragestellungen beraten. Eine Beschreibung des Projektes sowie das Tool zur Ausbruchserkennung findet man unter www.rki.de/synsurvrefugees

Stand: 11.02.2022

Ausgewählte Publikationen

  • Kohn KJ (2020): Individual-based detection of infectious disease outbreaks using machine learning techniques.
    Kiel: (master thesis).
    (PDF, 2 MB)

  • Wagner B (2020): Classifying Emergency Department Data to Improve Syndromic Surveillance: From Mixed Data Types to ICD Codes and Syndromes
    Bielefeld: (master thesis).
    (PDF, 1 MB)

  • Lison_A (2020): Interpretable Hierarchical Forecasting of Infectious Diseases
    Münster: (master thesis).
    (PDF, 2 MB)

  • Becker_F (2020): Use of Social-Media Data in an Epidemiological Context
    Berlin: (master thesis).
    (PDF, 2 MB)

  • Stojanović O, Leugering J, Pipa G, Ghozzi S, Ullrich A (2019): A Bayesian Monte Carlo approach for predicting the spread of infectious diseases
    PLoS ONE 14 (12): e0225838. Epub Dec 18. doi: 10.1371/journal.pone.0225838. mehr

  • Abbood A (2019): Automatic Information Extraction and Relevance Evaluation of Epidemiological Texts Using Natural Language Processing
    Berlin/Osnabrück: Robert Koch Institute/Osnabrück (master thesis).
    (PDF, 2 MB)

  • Abbood A, Ullrich A, Busche R, Ghozzi S (2019): EventEpi — A Natural Language Processing Framework for Event-Based Surveillance.
    medRxiv: 19006395. Epub Sep 26. doi: 10.1101/19006395. mehr

  • Busche R (2019): Systematic Evaluation and Optimization of Outbreak-Detection Algorithms Based on Labeled Epidemiological Surveillance Data
    Osnabrück: Universität Osnabrück, Fachbereich Humanwissenschaften, Institute of Cognitive Science, master thesis.
    (PDF, 8 MB)

  • Sarma N, Ullrich A, Wilking H, Ghozzi S, Lindner AK, Weber C, Holzer A, Jansen A, Stark K, Vygen-Bonnet S (2018): Surveillance on speed: Being aware of infectious diseases in migrants mass accommodations – an easy and flexible toolkit for field application of syndromic surveillance, Germany, 2016 to 2017
    Euro Surveill. 23 (40): pii=1700430. doi: 10.2807/1560-7917.ES.2018.23.40.1700430. mehr

  • Salmon M, Schumacher D, Burmann H, Frank C, Claus H, Höhle M (2016): A system for automated outbreak detection of communicable diseases in Germany
    Euro Surveill. 21 (13): pii=30180. doi: 10.2807/1560-7917.ES.2016.21.13.30180. mehr

Gesundheits­monitoring

In­fek­ti­ons­schutz

Forschung

Kom­mis­sio­nen

Ser­vice

Das Robert Koch-Institut ist ein Bundesinstitut im Geschäftsbereich des Bundesministeriums für Gesundheit

© Robert Koch-Institut

Alle Rechte vorbehalten, soweit nicht ausdrücklich anders vermerkt.