Wissensunterstützte Visual Analytics

Im Rahmen des Projektes KnoVA wird das Forschungsteam des Instituts für Softwaretechnik und Interaktive Systeme der Technischen Universität neue Visual Analytics Methoden für den Erkenntnisgewinn entwickeln. Visual Analytics ist ein aufstrebendes Forschungsgebiet, das den Menschen bei der Analyse von großen Datenmengen unterstützt, indem die herausragenden Wahrnehmungs- und kognitiven Fähigkeiten des Menschen mit den automatischen Verarbeitungsmöglichkeiten von Computersystemen verbunden werden. Die Datenanalyse ist ein wissensorientierter Prozess. Wissen ist der Eingangsparameter sowie das Ergebnis dieses Prozesses: Fachwissen und Expertise sind sowohl für die Interpretation der Daten als auch für die Formulierung und das Testen von Hypothesen erforderlich. Dieser Prozess selbst führt zu neuen Erkentnissen, die zu neuem Wissen führen. Jedoch wird Fachwissen im Allgemeinen implizit weitergegeben: Es wird während des gesamten Prozesses verwendet, aber selten formalisiert oder explizit mitgeteilt. Die Hypothese des Projekts ist, dass der Visual Analytics Prozess erheblich verbessert werden kann, indem explizites Wissens in den Prozess der Wissensfindung eingebunden wird. Hierbei wird Wissen über die Charakteristik von Daten (dh Domänenwissen) als auch Kenntnisse über den analytischen Prozess selbst (dh operationales Wissen) mitberücksichtigt. Solche wissensunterstütztende Visual Analytics Methoden sind in vielen Anwendungsfelder sehr nützlich. In diesem Projekt verwenden wir die klinische Domäne als Anwendungsfeld: Daten über den Gesundheitszustand von Patien_innen werden in den elektronischen Patientenakten gespeichert, medizinisches Wissen wird in Form von klinischen Leitlinien formalisiert. Um die oben genannten Ergebnisse zu erzielen, wird ein anwenderorientierter Gestaltungsprozess verfolgt. Dabei beschäftigen wir uns initial mit den Anforderungen der Benutzeraufgaben und den analytischen Arbeitsabläufen und führen basierend darauf einen iterativen Entwicklungsprozess und dessen Evaluierung mit Endbenutzer_innen ein. Die Idee, Systeme zu entwerfen, die fähig sind explizites Wissen zu nutzen, um bessere Erkenntnisse für Nutzer_innen in Datenanalyseaufgaben zu bieten, ist nicht neu. Jedoch haben sich bestehende Ansätze zumeist auf die Verwendung von operationalem Wissen zur Anpassung der visuellen Aspekte beschränkt. Die wichtigste wissenschaftliche Innovation dieses Projekts liegt auf der Verwendung von explizitem Domänenwissen, wie zumBeispiel der Computer-interpretierbaren Leitlinien in klinischen Entscheidungsunterstützungssystemen. Ziel dieses Projektes ist ein verbessertes Ergebnis und ein tieferes Verständnis der Daten durch die Nutzung der Fachkompetenz von Benutzer_innen in den verschiedenen Schritten des Analyseprozesses: von der visuellen Zuordnung über die verschiedenen Datenansichten bis zu der Auswahl und Verfeinerung der analytischen Modelle und Interaktionsmöglichkeiten.

Das KnoVA-Projekt untersuchte die Machbarkeit eines wissensgestützten Ansatzes für Visual Analytics (VA) im Gesundheitswesen, wobei der Schwerpunkt auf Daten aus klinischen Uveitis-Studien lag. Wir stellten die Hypothese auf, dass die Nutzung von explizitem Vorwissen die Datenanalyse verbessern, die kognitive Belastung der Benutzer:innen reduzieren und die Anzahl und Qualität der gewonnenen Erkenntnisse erhöhen könnte. In Zusammenarbeit mit der Medizinischen Universität Wien untersuchte KnoVA anonymisierte "Patient Report Outcome Measures" (PROM)-Daten aus einer klinischen Uveitis-Studie. PROMs sind Analyseinstrumente, ähnlich wie textuelle Fragebögen, zur Erfassung hochdimensionaler, kontextsensitiver und zeitorientierter Lebensqualitätsdaten. Die Ergebnisse bestätigten die ursprüngliche Hypothese und die Vorteile der Verwendung von explizitem Wissen zur Verbesserung der visuellen Datenanalyseprozesse. Die wichtigsten Ergebnisse konzentrierten sich auf die Entwicklung eines wissensgestützten VA-Modells, das explizites Wissen, leitfadengestützte VA, multivariate und zeitliche Netzwerkvisualisierung sowie Anwendungen in medizinischen Studien und anderen Bereichen nutzt. Das wissensgestützte VA-Modell umfasst eine explizite Wissensquelle und mehrere wissensbezogene Prozesse, die das Design, die Entwicklung und die Evaluierung eines VA-Prototyps für die Erforschung und Analyse von Längsschnittdaten im Gesundheitswesen beeinflussten. Dieser Prototyp demonstrierte das Potenzial der Nutzung von explizitem Wissen zur Anleitung und Steuerung der Analyse in entscheidenden Momenten. Die Ergebnisse lassen sich auch auf andere Bereiche wie Biochemie, Psychologie und Bildung übertragen. KnoVA leistete auch einen allgemeinen Beitrag zur Weiterentwicklung der lenkungsunterstützten VA. Die Ergebnisse veranschaulichen, wie explizites Wissen genutzt wird, um den Benutzer:innen zu Erkenntnissen zu führen, und tragen zu einer Kategorisierung und einem Überblick über bestehende Anleitungsansätze, konzeptionellen Rahmen für die Entwicklung effektiver Anleitungen und einer Methode zur Erkennung von Anleitungsbedarf bei. KnoVA untersuchte auch multivariate und zeitliche Netzwerkvisualisierung aus verschiedenen Blickwinkeln, einschließlich einer Meta-Darstellung, die Forschungsrichtungen in diesem Bereich aufzeigt, Design und Bewertung von Netzwerkvisualisierung zur Unterstützung von PROMs sowie experimentelle Studien zur strukturellen und zeitlichen Kodierung von Graphen. Im Gesundheitswesen waren die Ergebnisse von KnoVA von entscheidender Bedeutung für die Verbesserung der Effektivität und Effizienz von datengestützten Entscheidungsprozessen. Die KnoVA-Forscher:innen untersuchten Visualisierungsmodalitäten für die Krankengeschichte von Patient:innen, entwarfen und evaluierten VA-Lösungen für medizinische Studien unter Verwendung von PROMs und analysierten das Benutzer:innen-Daten-Aufgaben-Design-Prinzip für digitale Geisteswissenschaften. Zusammenfassend lässt sich formulieren, dass das KnoVA-Projekt das Potenzial von wissensgestützter VA in Gesundheitsdaten erfolgreich demonstriert und neue Forschungsmöglichkeiten im Bereich VA und Gesundheitswesen eröffnet hat. Die Entwicklung neuer Forschungsmethoden und -instrumente, wie interaktive Prototypen und Visualisierungstechniken, bietet Forscher:innen und Praktiker:innen wertvolle Ressourcen für die Erforschung, Analyse und Kommunikation komplexer Gesundheitsdaten. Der transdisziplinäre Ansatz von KnoVA bezieht auch Erkenntnisse aus verschiedenen Bereichen mit ein und ermöglicht so ganzheitlichere und robustere Lösungen für die Herausforderungen der Datenanalyse im Gesundheitswesen.