Künstliche Intelligenzen werden den tierärztlichen Alltag verändern. Diese Technik kann positiv genutzt werden und eine Hilfestellung für Tierärztinnen und Tierärzte sein. Durch die Analyse von komplexen medizinischen Daten können Untersuchungen objektiviert und Therapien optimiert werden. Unser Ziel ist es, diese Technik im Sinne der Tierbesitzer*innen, Tierärztinnen und Tierärzte und der Patienten zu verwenden und zugänglich zu machen.
Über das standardisierte Erheben von klinischen Daten in Text und Bild in einer digitalen Patientenakte und einem hohen Automatisierungsgrad in der Auswertung und Kommunikation (Zeit-, Personal- und Kostenersparnis) kann Evidenz zum Wohle der Patienten erreicht werden.
Standardisierte digitale Patientenakte
Vernetzung klinischer Daten
Training künstlicher Intelligenzen
Standardisierte digitale Patientenakte
Vernetzung klinischer Daten
Training künstlicher Intelligenzen
Unser primäres Ziel besteht darin, die standardisierte Erfassung klinischer Daten im Alltag zu ermöglichen. Dies führt zu einer verbesserten Kommunikation sowohl mit Tierbesitzerinnen und -besitzern als auch mit Kolleginnen und Kollegen. Zudem schafft es die Grundlage für Langzeitstudien und die systematische Überprüfung der Wirksamkeit von Behandlungsmaßnahmen. Durch die sichere Erhebung aussagekräftiger Statistiken über das eigene Patientenkollektiv wird Transparenz gefördert und eine gute Grundlage für Entscheidungen am klinischen Patienten gelegt.
Unsere App
für Tierärztinnnen / Tierärzte und bald Tierbesitzer*innen
Unsere App bietet ein umfassendes Tool zur Erfassung und Dokumentation standardisierter Befunde und dient gleichzeitig als digitale Patientenakte. Sie verfügt über eine integrierte Foto- und Video-Funktion, die eine visuelle Dokumentation ermöglicht. Darüber hinaus unterstützt sie bei der effizienten Verwaltung von Tierdaten und fungiert als interaktives Informationswerkzeug, das eine bessere Übersicht und Organisation im Praxisalltag gewährleistet.
Version 1.1.9
Oktober 2024
Die App befindet sich derzeit in der Testphase.
Eine Apple App Store und Google Play Store Integration folgt.
connecting care
May A., Gesell-May S., Müller T., Ertel W.
DOI: 10.1111/evj.13528
Abstract
Background
Due to recent developments in artificial intelligence, deep learning, and smart-device-technology, diagnostic software may be developed which can be executed offline as an app on smartphones using their high-resolution cameras and increasing processing power to directly analyse photos taken on the device.
Objectives
A software tool was developed to aid in the diagnosis
of equine ophthalmic diseases, especially uveitis.
Study design
Prospective comparison of software and clinical diagnoses.
Methods
A deep learning approach for image classification was used to train software by analysing photographs of equine eyes to make a statement on whether the horse was displaying signs of uveitis or other ophthalmic diseases. Four basis networks of different sizes (MobileNetV2, InceptionV3, VGG16, VGG19) with modified top-layers were evaluated. Convolutional Neural Networks (CNN) were trained on 2346 pictures of equine eyes, which were augmented to 9384 images. 261 separate unmodified images were used to evaluate the performance of the trained network.
Results
Cross validation showed accuracy of 99.82% on training data and 96.66% on validation data when distinguishing between three categories (uveitis, other ophthalmic diseases, healthy).
Main limitations
One source of selection bias for the artificial intelligence presumably was the increased pupil size, which was mainly present in horses with ophthalmic diseases due to the use of mydriatics, and was not homogeneously dispersed in all categories of the dataset.
Conclusion
Our system for detection of equine uveitis is unique and novel and can differentiate between uveitis and other equine ophthalmic diseases. Its development also serves as a proof-of-concept for image-based detection of ophthalmic diseases in general and as a basis for its further use and expansion.
Forschung
Wir stehen in Forschungskooperation mit der Tierärztlichen Fakultät der Ludwig-Maximilians-Universität München und dem Institut für Künstliche Intelligenz der Hochschule Ravensburg-Weingarten.
Standardisierte
digitale Patientenakte
Dokumentation ist im tierärztlichen Alltag nicht einfach. Auch aus diesem Grund haben gibt es in der Tiermedizin einen Mangel an klinischen Daten und damit keine Evidenz. So muss in der Regel auf Erfahrung und Basiswissen zurückgegriffen werden.
Wir standardisieren die Dokumentation und erleichtern die Kommunikation. Durch die digitale Patientenakte können wir klinische Daten vernetzen. Dadurch entsteht Transparenz. Wir achten aber explizit und auch intern auf die Sicherheit der Daten. An Tierärzte innerhalb anirec werden höchstens anonymisierte Gesamtstatistiken weitergegeben. Dies betrifft auch geschäftsführende Tierärzte.
Durch die digitale Patientenakte und die Vernetzung von Bildern mit klinischen Daten erzeugen wir eine Grundlage für die sachbezogene Beurteilung von klinischen Fällen und deren Auswertungen.
Vernetzung
klinischer Daten
Evidenz und das Training von künstlichen Intelligenzen ist nur auf der Basis einer "guten" Datengrundlage möglich.
Wir sehen es als unsere Aufgabe, wissenschaftliche Daten des tiermedizinischen Alltags, der universitären und außeruniversitären Forschung und der Langzeitbeobachtung in der Nachsorge miteinander zu vernetzen. Dabei stehen die Interessen der Medizin im Vordergrund. Durch Freigabe von anonymisierten wissenschaftlichen Daten möchten wir die klinische Forschung voranbringen.
Training künstlicher Intelligenzen
Wir entwickeln Verfahren zur Mustererkennung. Daraus werden nutzbare Werkzeuge für die Diagnostik und Prognose.
Wir sind täglich mit komplexen Systemen in unserer Umwelt konfrontiert und nutzen ganz selbstverständlich unsere menschliche Intelligenz, um diese zu navigieren. Verwendung von künstlicher Intelligenz bedeutet, Programme für die Lösung von Problemen wie Mustererkennung in solchen komplexen Umgebungen einzusetzen. Durch maschinelles Lernen trainieren wir künstliche Intelligenzen mit Beispielen, aus denen sie durch wiederkehrende Muster Schlüsse ziehen kann.
Künstliche Intelligenzen liefern bereits beeindruckende Ergebnisse, die dennoch nicht darüber hinwegtäuschen können, dass sie sich in der Anfangsphase befinden. Künstliche Intelligenzen werden sich zu einem bedeutenden Hilfsmittel für Tierärzte entwickeln. Nicht weniger, aber auch nicht mehr. Entscheidend für die langfristige Integration wird sein, künstliche Intelligenzen nicht zu verwenden, um einen Keil zwischen die Tierärzteschaft und Besitzer*innen zu treiben.
Vereinfachung Langzeitstudien
- 2022
Wir arbeiten daran, dass es für Forschende deutlich leichter als bisher möglich ist, Langzeitdaten zu erheben und damit Behandlungsmethoden auf ihre Wirksamkeit zu prüfen.
Diagnose von über 14 Erkrankungen des Pferdeauges - 2023
Wir trainieren bereits eine künstliche Intelligenz, die in der Lage ist, über 20 Erkrankungen des Pferdeauges zu diagnostizieren.
Protokolle nach lege artis - 2024
Wir möchten, dass junge Tierärzte ohne jahrelange Erfahrung Untersuchungsprotokolle nach den Regeln der ärztlichen Kunst einhalten können, dies unabhängig von der Qualität der Einarbeitung.
Epidemiologische Daten und Vorberichte vollständig digital abrufbar - 2024
Tierärztinnen und Tierärzte können zu Beginn der Untersuchung auf einfache Art und Weise epidemiologische Angaben und den Vorbericht direkt am Patienten in der Digitalen Patientenakte abrufen.
Leichtere Kommunikation - 2025
Mit der Befundung in der anirec-App werden Fotos und Videos direkt in die digitale Patientenakte gespeichert. Diese Datei kann aktuell als PDF z.B. an Besitzer*in, überweisende Kolleginnen und Kollegen gesendet werden. Bald wird dies innerhalb der App durch einfache Freischaltung möglich sein.
Statistiken der eigenen Arbeit - 2026
Wir entwickeln ein Tool, mit dem jede Tierärztin und jede Klinik statistisch korrekt die Erfolgsquoten der eigenen Behandlungen messen kann und tragen damit zur evidenzbasierten Medizin bei.
Lahmheitserkennung und Pain Score - 2026
Wir arbeiten daran, dass unsere App anzeigt, ob ein Pferd lahm ist oder akut Schmerzen äußert und wie stark diese Schmerzäußerungen ausgeprägt sind.
Schnelle Dokumentation und Erstellung der Arztbriefe - 2027
Unser Ziel ist, die Dokumentation und die Erstellung des Arztbriefes stark zu beschleunigen und dadurch Tierärztinnen und Tierärzte zu entlassen. Patient und Besitzer*in profitieren von aussagekräftigen schriftlichen Angaben, die jederzeit und überall digital abrufbar sind.
Agenda
Scharre A., Scholler D., Gesell‐May S., Müller T., Zablotski Y., Ertel W., May A.
DOI: 10.1111/evj.14087
Abstract
Background
Lameness in horses is a long-known issue influencing the welfare, as well as the use, of a horse. Nevertheless, the detection and classification of lameness mainly occurs on a subjective basis by the owner and the veterinarian.
Objectives
The aim of this study was the development of a lameness detection system based on pose estimation, which permits non-invasive and easily applicable gait analysis. The use of 58 reference points on easily detectable anatomical landmarks offers various possibilities for gait evaluation using a simple setup.
Study design
For this study, three groups of horses were used: one training group, one analysis group of fore and hindlimb lame horses and a control group of sound horses. The first group was used to train the network; afterwards, horses with and without lameness were evaluated.
Results
The results show that forelimb lameness can be detected by visualising the trajectories of the reference points on the head and both forelimbs. In hindlimb lameness, the stifle showed promising results as a reference point, whereas the tuber coxae were deemed unsuitable as a reference point.
Conclusion
The study presents a feasible application of pose estimation for lameness detection, but further development using a larger dataset is essential.
Über uns
Fokus
Training künstlicher
Intelligenzen
Tobias Müller
Geschäftsführung
Unternehmensentwicklung
Entwicklung künstlicher Intelligenzen
Leitung App Entwicklung
IT-Spezialist,
Software-Entwickler
Fokus
Vernetzung
klinischer Daten
Dr. Stefan Gesell-May
Geschäftsführung
Unternehmensentwicklung
Leitung Veterinärmedizinische Inhalte
Ophthalmologie bei Pferden
Praktizierender Tierarzt
pferdeaugenheilkunde.de
Fokus
Kommunikation
der Marke
Elias Escotto
Unternehmensentwicklung
Brand Management
Corporate Design
Future UI / UX
Gestalter
elias-escotto.de
Künstliche Intelligenz ist ein Katalysator für die Weiterentwicklung der Veterinärmedizin. Um die Potenziale der künstlichen Intelligenzen heben zu können, müssen wir drei Dinge in den Fokus nehmen.