Lab - Stroke Helper

Stroke Helper Lab

Wo Daten zu Intelligenz werden.

Das Stroke Helper Lab ist das Zentrum unseres lernenden Systems. Hier werden strukturierte, klinisch validierte Datensätze analysiert, Muster erkannt und Algorithmen kontinuierlich weiterentwickelt. Was in der App beginnt und in der Pro-Version fachlich bewertet wird, fließt hier zusammen – zur Optimierung zukünftiger Screenings. Kein statisches Produkt. Ein System, das mit jeder validierten Information besser wird.

Qualität, Transparenz und Kontrolle

Strukturierte Datengrundlage

Veränderungen der Herzfrequenz liefern wichtige Hinweise auf akute Belastungen und mögliche neurologische Ereignisse.

Klinische Validierung

Algorithmen entwickeln sich auf Basis fachlich bewerteter Fälle weiter. Musteranalyse, Optimierung und Evaluierung erfolgen strukturiert und nachvollziehbar. Jede Verbesserung ist dokumentiert.

Versionskontrolle & Transparenz

Modelle werden versioniert. Änderungen sind nachvollziehbar. Einsatzstände bleiben reproduzierbar. So entsteht regulatorische Klarheit.

Interoperable Architektur

Das Lab arbeitet mit FHIR-konformen Datensätzen nach Standards von HL7. Strukturierte Daten ermöglichen Studienfähigkeit, Systemintegration und internationale Anschlussfähigkeit.

Der lernende Kreislauf

App → Pro → Lab → optimierte Modelle → verbesserte App. Ein geschlossenes System, das mit jeder validierten Information präziser wird.

Der Arzt entscheidet. Die KI unterstützt.

Die KI arbeitet nicht autonom. Ärztinnen und Ärzte prüfen, bewerten und können Ergebnisse korrigieren. Das Lab versteht sich als unterstützendes System – nicht als Ersatz medizinischer Expertise.

Stroke Helper Lab (laboratory)

Die Übersicht des Labs zeigt den aktuellen Status aller Analysen – von den hochgeladenen und automatisch ausgewerteten Datensätzen bis hin zu den zur manuellen Prüfung vorgesehenen Fällen. Außerdem werden die verwendeten KI-Modelle StrokeFaceAsymmetry, StrokeFaceCNN und FusionCalib sowie die aktuelle CPU- und GPU-Auslastung dargestellt.

Cases anlegen und Training

In diesem Schritt werden neue Datensätze angelegt. Neben den Vorher-/Nachher-Bildern können optionale Sprachaufnahmen sowie Risikofaktoren wie Bluthochdruck, Diabetes oder Vorhofflimmern hinzugefügt werden. Diese Daten bilden die Grundlage für das Training der Modelle und helfen, Muster und Veränderungen zuverlässig zu erkennen.

Review – Auswertung und Bewertung

Im Review-Prozess werden die eingereichten Datensätze analysiert und bewertet. Die KI prüft unter anderem Bildqualität, Gesichtsasymmetrien und Veränderungen der Gesichtszüge zwischen Vorher- und Nachher-Bild. Anschließend erfolgt eine manuelle Einschätzung durch Reviewer:innen, um die Ergebnisse zu validieren und die Modelle weiter zu optimieren.

Landmarken-Analyse – Erkennung kleinster Veränderungen

In der Landmarken-Analyse werden charakteristische Punkte im Gesicht markiert – etwa an Augen, Augenbrauen, Mundwinkeln, Nasenfalten und der Gesichtskontur. Diese Messpunkte ermöglichen es der KI, selbst minimale Asymmetrien oder Veränderungen zu erkennen, die auf einen Schlaganfall hindeuten könnten. Die gewonnenen Werte fließen direkt in das Training der Modelle ein und verbessern so kontinuierlich die Präzision der Erkennung.

Manuelle Validierung – Mensch und KI im Zusammenspiel

Auch wenn die KI eigenständig analysiert und lernt, bleibt der Mensch ein entscheidender Teil des Prozesses. Ärzt:innen und Reviewer:innen können Datensätze manuell prüfen, korrigieren oder ergänzen. So entsteht ein wertvoller Lernkreislauf: Die KI unterstützt die Analyse – der Mensch validiert und verbessert die Ergebnisse. Gemeinsam wird die Erkennung immer präziser und verlässlicher.

Stroke Helper Lab

Zentrale Plattform für das KI-Training
Start: mit menschlicher Einflussnahme (Ärzte, Experten validieren Daten)
Ziel: kontinuierliche Verbesserung der Erkennungsgenauigkeit

Stroke Helper Lite

Rollout-Version für Krankenhausmitarbeiter
Dient zur Datensammlung in realen Umgebungen
Möglichkeit der Diagnostik
Leitet Daten & Ergebnisse an das Lab zurück → stärkt das Training

KI MIRA - Eigenentwicklung

Das Herzstück des Systems

StrokeFaceAsymmetry: Analyse von Gesichtssymmetrien (Mund, Augen, Wangen, Augenbrauen)
StrokeFaceCNN: Deep Learning Modell (Convolutional Neural Network) für Bild & 3D FaceID-Erkennung (TrueDepth-Daten, Gesichtsscans)
FusionCalib: Fusion von Bild-, Sprach- und Checklisten-Daten für höhere Präzision
Mustererkennung & Algorithmus-Entwicklung → kontinuierliche Verbesserung der Früherkennung in neuen App-Versionen

Stroke Helper App

Für Betroffene & Angehörige
Erkennt Symptome rechtzeitig (Gesicht, Sprache, Checklisten)
Unterstützt im Notfall: Handlungsempfehlung & Notrufoption