DMEA sparks Award für innovative Bachelor- und Masterarbeiten

Die DMEA 2025 endete am 10. April 2025 mit einem Besucherrekord. 20.500 Teilnehmende kamen an den drei DMEA-Tagen zu Europas führendem Event für Digital Health, um sich über die neuesten Entwicklungen der digitalen Gesundheitsversorgung zu informieren, innovative Lösungen kennenzulernen und sich mit Expert:innen aus aller Welt zu vernetzen.

Am 09. April wurden erneut der DMEA sparks Award für innovative Bachelor- und Masterarbeiten verliehen. In diesem Jahr war auch eine Österreicherin unter den Gewinner:innen.

Digitale Planung im OP-Saal

Im Bereich Bachelorarbeiten geht der erste Platz in diesem Jahr an Pascal Leuthold und Michael Nguyen von der Berner Fachhochschule. Sie haben die „Digitalisierung des Huddle-Boards im Operationssaal Sonnenhof“ zum Thema ihrer Bachelorarbeit gemacht. Huddle-Boards sind visuelle Hilfsmittel, die Teams im Gesundheitswesen bei der Kommunikation, Koordinierung und Überwachung der Patientenversorgung und der Abteilungsabläufe unterstützen. Leuthold und Nguyen entwickelten einen digitalen Prototyp, der alle wichtigen Informationen enthält und über eine Schnittstelle mit der Personalplanung verbunden ist. In einer zweiwöchigen Testphase wurde das digitale Huddle-Board von den Mitarbeiter:innen erprobt, welche im Anschluss positive Rückmeldungen gegeben haben und es auch nach der Testphase weiter nutzen. Im Video stellen Pascal Leuthold und Michael Nguyen ihr Huddle-Board noch einmal vor.

Nachsorge per App

Der zweite Platz in der Kategorie Bachelorarbeiten geht an Luana Schmid und Michael Zuberbühler, ebenfalls von der Berner Fachhochschule. Sie verfassten ihre Bachelorarbeit zum Thema „soH Recovery mobile App – angepasste Heilungsverläufe bei orthopädischen Eingriffen“. Schmid und Zuberbühler haben eine Recovery App entwickelt, die alle relevanten Informationen rund um einen orthopädischen Eingriff für Patient:innen bündelt und damit die Nachsorge damit verbessert. Die Informationen in der App werden je nach Gesundheitszustand der Patient:innen und Schwere der Schmerzen angepasst. Auch Übungen für zuhause werden in der App bereitgestellt. Das zugehörige Admintool kann von den Behandler:innen genutzt werden, um die Versorgung der Patient:innen individuell anzupassen. Schmid und Zubühler konnten einen Entwickler für ihre App gewinnen, damit diese im Praxisalltag eingesetzt werden kann. Im Video stellen Luana Schmid und Michael Zuberbühler ihre App vor.

Bilder sicher auswerten

Der dritte Platz in der Kategorie Bachelorarbeiten ging an Peiyao Mao von der Otto-Friedrich-Universität Bamberg. Sie schrieb ihre Abschlussarbeit zum Thema „Exploring and Evaluating Deep Hashing Methods within Vision Foundation Model Feature Spaces for Similarity Search and Privacy Preservation”. Im digitalen Zeitalter gewinnen aussagekräftige Bilder immer mehr an Bedeutung – etwa in sozialen Medien oder der medizinischen Diagnostik. In ihrer Bachelorarbeit untersuchte Mao, wie moderne Vision-Transformer-Modelle (ViT) und spezielle Hashing-Methoden dabei helfen können, Bilddaten effizient zu durchsuchen und gleichzeitig die Privatsphäre zu schützen. Dabei werden Bildinformationen in kompakte, gehashte Formen umgewandelt, die semantisch aussagekräftig bleiben, aber personenbezogene Daten verbergen. Ob und wie Peiyao Mao das gelungen ist, sehen Sie hier im Video.

Per App mehr Bewegung bei MS

Carina Arnberger von der Technischen Universität Wien gewann den DMEA sparks Award in der Kategorie „Masterarbeiten“ mit ihrer Masterarbeit zum Thema „Analyse, Design und Prototyperstellung einer gamifizierten App für die Motivation von durch Multiple Sklerose physisch eingeschränkten Personen zur Förderung körperlicher Aktivität“ . Wie es der Titel schon sagt, hat Arnberger eine App entwickelt, die MS-Patient:innen unterstützen soll in Bewegung zu kommen und Therapeut:innen die Möglichkeit bietet, die Behandlung individuell zu begleiten. Zum Abschluss haben die befragten Nutzer:innen ein positives Feedback zum Prototypen gegeben. Carina Arnberger regt an, das Format der App an weitere Krankheitsbilder anzupassen. Im Video stellt sie ihre App noch einmal vor.

Kann KI Krankheiten vorhersagen?

Der zweite Platz in der Kategorie „Masterarbeiten“ ging an Minh Duc Do von der Freien Universität Berlin. Er schrieb seine Abschlussarbeit zum Thema „Multi-modal Brain MRI Vision Transformers for the prediction of disease onset”. In seiner Arbeit hat er eine künstliche Intelligenz mit MRT-Bildern trainiert, um nicht nur Veränderungen zu erkennen, sondern im nächsten Schritt auch Krankheiten voraussagen zu können. Anhand von MRT-Bildern des Gehirns ist es gelungen, Alzheimer, Demenz oder auch Diabetes Typ 1 mit sehr hoher Wahrscheinlichkeit vorauszusagen. Wie das möglich ist, erklärt Minh Duc Do im Video.

Mit KI Hirntumore erkennen und Prognosen erstellen

Der dritte Platz geht an Juan Carlos Climent Pardo von der Technischen Universität München und Harvard Medical School. Auch er setzt in seiner Masterarbeit auf KI. Sie trägt den Titel: „Diagnose und Wachstumsprognose von pädiatrischen niedrig-gradigen Gliomen durch Künstliche Intelligenz (KI) und Magnetresonanztomographie (MRT)“. In dieser Arbeit identifizierte Climent Pardo Hirntumore bei Kindern und untersuchte deren Wachstumsprognose mit Hilfe von Künstlicher Intelligenz und MRT-Untersuchungen. Im Video gibt Juan Carlos Climent Pardo einen tieferen Einblick in seine Arbeit.

Machine Learning vs. Large Language Models

In der Kategorie “Audience Award“ entscheidet nicht die Fachjury über die Platzierung der Bewerber:innen, sondern das Publikum. Basierend auf der Abstimmung unter den YouTube-Videos, geht der Audience Award in diesem Jahr an Marco Florian Aigner von der Universität Heidelberg und der Hochschule Heilbronn. Er schrieb seine Masterarbeit zum Thema „Automated Title/Abstract-Screening of Scientific Articles: An Evaluation and Comparison of Supervised Machine Learning and Large Language Models”. Seine Arbeit beschäftigt sich mit systematischen Übersichtsarbeiten. Für deren Erstellung müssen viele einzelnen Arbeiten ausgewählt und gelesen werden. Dies könnte durch Machine Learning oder Large Language Modelsunterstützt werden. Aigner untersuchte vier Varianten. Sein Ergebnis: Llama sind barrierefreier, zuverlässiger und vertrauenswürdiger als überwachtes maschinelles Lernen. Wie er zu diesem Ergebnis kam, erklärt Marco Florian Aigner hier im Video.

Quelle: https://www.dmea.de/de/news-blog/dmea-sparks-award-fuer-innovative-bachelor-und-masterarbeiten.html