{"id":2895,"date":"2023-05-24T08:02:43","date_gmt":"2023-05-24T06:02:43","guid":{"rendered":"https:\/\/risc.web-email.at\/zeitreihenanalyse-aber-richtig\/"},"modified":"2026-03-19T08:56:35","modified_gmt":"2026-03-19T07:56:35","slug":"time-series-analysis-but-correct","status":"publish","type":"publication","link":"https:\/\/risc.web-email.at\/en\/technicalarticles\/time-series-analysis-but-correct\/","title":{"rendered":"Time series analysis &#8211; but correct!"},"content":{"rendered":"\n<h2 class=\"wp-block-heading is-style-v2-telegrafico\">Wie die Wahl der Trainingsdaten die Praxistauglichkeit von Modellen beeinflusst<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">von DI Dr. Alexander Maletzky<\/h3>\n\n\n<div class=\"wp-block-group-container alignfull \">\n<div class=\"wp-block-group is-layout-constrained wp-block-group-is-layout-constrained\">\n<p><em>Zeitreihendaten, beispielsweise Maschinendaten in der Industrie oder Vitalparameter in der Medizin, sind heutzutage eine wichtige Datenquelle zur Analyse komplexer Systeme. Moderne Analysesysteme fu\u00dfen meist auf Methoden des maschinellen Lernens, also auf gelernten Vorhersagemodellen, und greifen auf diese Datenquellen zur\u00fcck. F\u00fcr die Entwicklung praxistauglicher Modelle ist die richtige Wahl der Trainingsdaten jedoch eine herausfordernde Aufgabe.<\/em><\/p>\n\n\n\n<p><br><\/p>\n\n\n\n<div style=\"height:100px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<div class=\"wp-block-media-text has-media-on-the-right is-stacked-on-mobile is-vertically-aligned-center\"><div class=\"wp-block-media-text__content\">\n<p><strong>Inhalt<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Das Problem: Die richtige L\u00e4nge der Sequenzen<\/li>\n\n\n\n<li>Ein konkretes Beispiel aus der Intensivmedizin<\/li>\n\n\n\n<li>Fazit<\/li>\n\n\n\n<li>Autor<\/li>\n\n\n\n<li>Weiterf\u00fchrende Informationen<\/li>\n\n\n\n<li>Referenzen<\/li>\n<\/ul>\n<\/div><figure class=\"wp-block-media-text__media\"><img decoding=\"async\" width=\"1024\" height=\"683\" src=\"https:\/\/risc.web-email.at\/app\/uploads\/2023\/06\/iStock-530605395-1-1024x683.jpg\" alt=\"Monitoring\" class=\"wp-image-2885 size-full\" srcset=\"https:\/\/risc.web-email.at\/app\/uploads\/2023\/06\/iStock-530605395-1-1024x683.jpg 1024w, https:\/\/risc.web-email.at\/app\/uploads\/2023\/06\/iStock-530605395-1-300x200.jpg 300w, https:\/\/risc.web-email.at\/app\/uploads\/2023\/06\/iStock-530605395-1-768x512.jpg 768w, https:\/\/risc.web-email.at\/app\/uploads\/2023\/06\/iStock-530605395-1-1536x1024.jpg 1536w, https:\/\/risc.web-email.at\/app\/uploads\/2023\/06\/iStock-530605395-1.jpg 1920w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><\/figure><\/div>\n<\/div>\n<\/div>\n\n<div class=\"wp-block-group-container alignfull \">\n<div class=\"wp-block-group alignwide is-layout-constrained wp-block-group-is-layout-constrained\">\n<div class=\"wp-block-columns is-layout-flex wp-container-core-columns-is-layout-28f84493 wp-block-columns-is-layout-flex\">\n<div class=\"wp-block-column is-layout-flow wp-block-column-is-layout-flow\" style=\"flex-basis:66.66%\">\n<h3 class=\"wp-block-heading\">Das Problem: Die richtige L\u00e4nge der Sequenzen<\/h3>\n\n\n\n<p>Zeitreihendaten werden \u00fcblicherweise in regelm\u00e4\u00dfigen Abst\u00e4nden automatisiert von Sensoren aufgezeichnet, und k\u00f6nnen wie in Abbildung 1 als Liniendiagramm visualisiert werden. Wie im&nbsp;Fachbeitrag <a href=\"http:\/\/ris.w4.at\/fachbeitrag-explorative-datenanalyse-mit-zeitreihen\" target=\"_blank\" rel=\"noreferrer noopener\">Explorative Datenanalyse mit Zeitreihen<\/a>&nbsp;erl\u00e4utert, ist die visuelle Inspektion von Zeitreihendaten ein wichtiger Schritt im Datenanalyse-Workflow, der einige Schwierigkeiten mit sich bringt. Noch herausfordernder ist allerdings die automatische Zeitreihenanalyse, bei der ein KI-Modell eigenst\u00e4ndig Zeitreihen klassifiziert, Anomalien entdeckt, oder den zuk\u00fcnftigen Verlauf einer Zeitreihe vorhersagt. Modelle dieser Art basieren heutzutage meist auf Methoden des maschinellen Lernens, d.h. sie \u201elernen\u201c selbstst\u00e4ndig anhand von Trainingsdaten die richtigen Entscheidungen zu treffen. Eine der Hauptaufgaben der Entwickler der Modelle ist dabei \u2013 neben der Wahl der geeigneten Modellklasse und -parameter \u2013 vor allem die Wahl der Trainingsdaten. Zeitreihen liegen n\u00e4mlich \u00fcblicherweise als lange Sequenzen von Messwerten vor, die sich \u00fcber l\u00e4ngere Zeitr\u00e4ume erstrecken. Je nach Anwendungsgebiet sollen Modelle aber bereits anhand vergleichsweise kurzer Ausschnitte valide Entscheidungen treffen k\u00f6nnen, und m\u00fcssen somit auch auf solchen Ausschnitten trainiert werden \u2013 und wie diese ausgew\u00e4hlt werden, hat einen starken Einfluss auf die Praxistauglichkeit der resultierenden Modelle. Die Wahl muss n\u00e4mlich einerseits so erfolgen, dass keine sogenannte Stichprobenverzerrung entsteht, d.h. die Samples die verschiedenen Aspekte der Zeitreihe (Kurvenmorphologie, Periodizit\u00e4t, Trends, etc.) ad\u00e4quat widerspiegeln. Andererseits sollen die trainierten Modelle aber gerade auf jenen Ereignissen, die f\u00fcr den Anwender besonders interessant sind, korrekt funktionieren. Wenn diese nur selten vorkommen, m\u00fcssen sie bei der Modellerstellung entsprechend \u00fcberproportional ber\u00fccksichtigt werden, was wiederum zu einer Stichprobenverzerrung f\u00fchren kann.<\/p>\n<\/div>\n\n\n\n<div class=\"wp-block-column is-layout-flow wp-block-column-is-layout-flow\" style=\"flex-basis:33.33%\">\n<figure class=\"wp-block-image size-large is-style-rounded\"><img decoding=\"async\" width=\"1024\" height=\"548\" sizes=\"(max-width: 1024px) 100vw, 1024px\" src=\"https:\/\/risc.web-email.at\/app\/uploads\/2023\/06\/2021-11-09-Fachbeitrag-Zeitreihenanalyse-aber-richtig_Abb1_RISC-Software-GmbH-1024x548.png\" alt=\"Mean arterial blood pressure (MAP)\" class=\"wp-image-2867\" srcset=\"https:\/\/risc.web-email.at\/app\/uploads\/2023\/06\/2021-11-09-Fachbeitrag-Zeitreihenanalyse-aber-richtig_Abb1_RISC-Software-GmbH-1024x548.png 1024w, https:\/\/risc.web-email.at\/app\/uploads\/2023\/06\/2021-11-09-Fachbeitrag-Zeitreihenanalyse-aber-richtig_Abb1_RISC-Software-GmbH-300x160.png 300w, https:\/\/risc.web-email.at\/app\/uploads\/2023\/06\/2021-11-09-Fachbeitrag-Zeitreihenanalyse-aber-richtig_Abb1_RISC-Software-GmbH-768x411.png 768w, https:\/\/risc.web-email.at\/app\/uploads\/2023\/06\/2021-11-09-Fachbeitrag-Zeitreihenanalyse-aber-richtig_Abb1_RISC-Software-GmbH-1536x822.png 1536w, https:\/\/risc.web-email.at\/app\/uploads\/2023\/06\/2021-11-09-Fachbeitrag-Zeitreihenanalyse-aber-richtig_Abb1_RISC-Software-GmbH.png 1649w\" \/><\/figure>\n\n\n\n<p class=\"has-text-align-center\"><em>Abbildung 1: Mittlerer arterieller Blutdruck (MAP) eines Intensivpatienten f\u00fcr 30 Minuten, mit einem Messwert pro Sekunde. Die gr\u00fcne Linie gibt den Wert an, \u00fcber dem der Blutdruck als normal gilt, und die orange Linie jenen Wert, der einen kritischen Blutdruckabfall darstellt.<\/em><\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n\n<div class=\"wp-block-group-container alignfull \">\n<div class=\"wp-block-group alignwide is-layout-constrained wp-block-group-is-layout-constrained\">\n<h3 class=\"wp-block-heading\">Ein konkretes Beispiel aus der Intensivmedizin<\/h3>\n\n\n\n<p>In der Intensivmedizin wird der Zustand von Patienten kontinuierlich \u00fcberwacht, um im Bedarfsfall ein schnelles Einschreiten des Pflegepersonals zu erm\u00f6glichen. Besonderes Augenmerk wird hierbei auf akute hypotensive Episoden (AHEs) gelegt, d.h., kritische Blutdruckabf\u00e4lle, die zu irreparablen Sch\u00e4den f\u00fchren k\u00f6nnen. Die Vorhersage von zuk\u00fcnftigen AHEs in Form eines Fr\u00fchwarnsystems, um bereits vor deren Eintritt Gegenma\u00dfnahmen setzen zu k\u00f6nnen, ist ein aktuell viel beachtetes Forschungsthema im Bereich der k\u00fcnstlichen Intelligenz [1, 2]. Auch Forscher*innen der Abteilung Medizin-Informatik der RISC Software GmbH besch\u00e4ftigen sich aktuell im Projekt MC\u00b3 gemeinsam mit den Forschungspartnern vom MedCampus III des Kepler Universit\u00e4tsklinikums und dem Institut f\u00fcr Machine Learning der JKU Linz mit dieser Fragestellung.<\/p>\n\n\n\n<div class=\"wp-block-columns is-layout-flex wp-container-core-columns-is-layout-28f84493 wp-block-columns-is-layout-flex\">\n<div class=\"wp-block-column is-layout-flow wp-block-column-is-layout-flow\" style=\"flex-basis:66.66%\">\n<h4 class=\"wp-block-heading\">Modellentwicklung: Sample-Auswahl f\u00fcr eine hohe Klassifikationsgenauigkeit<\/h4>\n\n\n\n<p>Eine m\u00f6gliche Strategie zur Auswahl der Trainingssamples orientiert sich an der Zeitreihe des mittleren arteriellen Blutdrucks (MAP; siehe Abbildung 1): Immer kurz bevor der MAP unter den kritischen Wert von 65mmHg f\u00e4llt, wird ein positiv gelabeltes Sample ausgew\u00e4hlt, also ein kurzes Beobachtungsfenster, anhand dessen das Modell sp\u00e4ter den bevorstehenden Abfall vorhersagen und Alarm ausl\u00f6sen k\u00f6nnen soll. Bleibt der MAP stattdessen f\u00fcr einen l\u00e4ngeren Zeitraum konstant \u00fcber 75mmHg, wird darin ein negativ gelabeltes Sample ausgew\u00e4hlt, d.h. hier soll das Modell keinen Alarm ausl\u00f6sen. In Abbildung 2 wird die Auswahl der Samples schematisch dargestellt. Als Eingangsdaten f\u00fcr das Modell dienen in beiden F\u00e4llen verschiedenste Zeitreihendaten des Patienten im Beobachtungsfenster, z.B. MAP, Herzfrequenz, Sauerstoffs\u00e4ttigung, u.v.m.<\/p>\n<\/div>\n\n\n\n<div class=\"wp-block-column is-layout-flow wp-block-column-is-layout-flow\" style=\"flex-basis:33.33%\">\n<figure class=\"wp-block-image size-full is-style-rounded\"><img decoding=\"async\" width=\"596\" height=\"299\" sizes=\"(max-width: 596px) 100vw, 596px\" src=\"https:\/\/risc.web-email.at\/app\/uploads\/2023\/06\/2021-11-09-Fachbeitrag-Zeitreihenanalyse-aber-richtig_Abb2_RISC-Software-GmbH.jpg\" alt=\"Schematic representation of the sample selection\" class=\"wp-image-2869\" srcset=\"https:\/\/risc.web-email.at\/app\/uploads\/2023\/06\/2021-11-09-Fachbeitrag-Zeitreihenanalyse-aber-richtig_Abb2_RISC-Software-GmbH.jpg 596w, https:\/\/risc.web-email.at\/app\/uploads\/2023\/06\/2021-11-09-Fachbeitrag-Zeitreihenanalyse-aber-richtig_Abb2_RISC-Software-GmbH-300x151.jpg 300w\" \/><\/figure>\n\n\n\n<p class=\"has-text-align-center\"><em>Abbildung 2: Schematische Darstellung der Sample-Auswahl in Abh\u00e4ngigkeit des mittleren arteriellen Blutdrucks (MAP).<\/em><\/p>\n<\/div>\n<\/div>\n\n\n\n<p>Klassifikationsmodelle, die auf diesen Trainingssamples trainiert werden, erreichen eine hohe Klassifikationsgenauigkeit auf dem unabh\u00e4ngigen Test-Set (das nach dem gleichen Schema generiert wird wie das Trainings-Set). Einem Einsatz in der Praxis steht somit nichts mehr im Weg \u2026<\/p>\n\n\n\n<h4 class=\"wp-block-heading\">Einsatz in der Praxis: Wo liegt der Fehler?<\/h4>\n\n\n\n<p>Nat\u00fcrlich wurde das entwickelte Modell nicht sofort im Krankenhaus eingesetzt, sondern der Praxiseinsatz zun\u00e4chst in einer Testumgebung simuliert. Dabei hat sich gezeigt, dass das Modell fast ununterbrochen Alarm ausl\u00f6st, selbst wenn weit und breit keine AHE in Sicht ist. Obwohl die Klassifikationsgenauigkeit auf dem Test-Set sehr gut ist, funktioniert das Modell in der Praxis nicht.<\/p>\n\n\n\n<h4 class=\"wp-block-heading\">Fehleranalyse: Auswahl der Trainingssamples<\/h4>\n\n\n\n<p>Woran liegt die Praxisuntauglichkeit des Modells? Wie sich gezeigt hat, enthalten die Trainingssamples nur \u201eExtrembeispiele\u201c, die sich zwar leicht klassifizieren lassen, aber nur einen kleinen Teil des Spektrums der in der Realit\u00e4t auftretenden M\u00f6glichkeiten abdecken. Der MAP \u00e4ndert sich n\u00e4mlich meistens nur langsam, d.h., ist am Ende des Beobachtungsfensters von positiv gelabelten Samples \u00fcblicherweise deutlich niedriger als bei negativ gelabelten Samples. Das Modell ignoriert s\u00e4mtliche Zeitinformation und alle anderen Zeitreihen und achtet ausschlie\u00dflich auf den letzten verf\u00fcgbaren MAP-Wert: Ist dieser eher hoch, wird kein Alarm ausgel\u00f6st, andernfalls schon. Das funktioniert in der Praxis nicht, da sich der MAP dann vielfach in einer \u201eGrauzone\u201c bewegt, die in den Trainingssamples nicht vorkommt.<\/p>\n\n\n\n<h4 class=\"wp-block-heading\">Wie kann man es besser machen?<\/h4>\n\n\n\n<p>Eine Stichprobenverzerrung l\u00e4sst sich dadurch vermeiden, dass die Trainingssamples entweder zuf\u00e4llig oder regelm\u00e4\u00dfig (z.B. alle 10 Minuten) ausgew\u00e4hlt werden, ungeachtet des MAP. So ein Ansatz bringt jedoch andere Probleme mit sich: Einerseits ist die Einteilung eines Samples in \u201epositiv\u201c (MAP wird unter kritischen Wert fallen) und \u201enegativ\u201c (MAP bleibt normal) nicht mehr so einfach, denn was tun, wenn der MAP zwar \u00fcber 65mmHg bleibt, aber nur knapp? Es macht daher mehr Sinn, kein Klassifikations-, sondern ein Regressionsmodell zu trainieren, das beispielsweise den genauen MAP-Wert 15 Minuten sp\u00e4ter vorhersagen soll. Ein anderes Problem ist das im Rahmen der Fehleranalyse entdeckte Ph\u00e4nomen, dass der MAP meistens nur langsam abf\u00e4llt. Aus medizinischer Sicht sind n\u00e4mlich genau jene (seltenen) F\u00e4lle interessant, wo der MAP rapide abf\u00e4llt, weil ein Fr\u00fchwarnsystem nur in solchen F\u00e4llen Sinn macht. Um das Modell f\u00fcr solche Situationen zu \u201esensibilisieren\u201c kann ihnen beim Training eine h\u00f6here Wichtigkeit beigemessen werden.<\/p>\n\n\n\n<p>Forscher*innen des Projekts MC3 sind gerade dabei, Vorhersagemodelle f\u00fcr akute hypotensive Episoden basierend auf dem neuen Ansatz zu trainieren. Erweisen sie sich als praxistauglich, k\u00f6nnten sie schon in naher Zukunft das Pflegepersonal auf Intensivstationen unterst\u00fctzen.<\/p>\n<\/div>\n<\/div>\n\n<div class=\"wp-block-group-container alignfull \">\n<div class=\"wp-block-group alignwide is-layout-constrained wp-block-group-is-layout-constrained\">\n<h3 class=\"wp-block-heading\">Fazit<\/h3>\n\n\n\n<p>Wie immer im maschinellen Lernen ist ein umfassendes Verst\u00e4ndnis der Daten und des Anwendungsfalls f\u00fcr die Entwicklung gut funktionierender, praxistauglicher Modelle unumg\u00e4nglich \u2013 nicht nur im medizinischen Umfeld. Oftmals sind sowohl Dom\u00e4nenwissen als auch explorative Datenanalysen (siehe&nbsp;<a href=\"http:\/\/ris.w4.at\/fachbeitrag-explorative-datenanalyse-mit-zeitreihen\" target=\"_blank\" rel=\"noreferrer noopener\">Explorative Datenanalyse mit Zeitreihen<\/a>) notwendig, um die n\u00f6tigen Informationen zu extrahieren, m\u00f6gliche Probleme fr\u00fchzeitig zu erkennen, und die Modellentwicklung entsprechend anzupassen. Wie erl\u00e4utert, schlie\u00dft das insbesondere auch Trainingssamples mit ein, deren richtige Wahl gerade im Fall von Zeitreihendaten eine zentrale Rolle spielt.<\/p>\n<\/div>\n<\/div>\n\n<div class=\"wp-block-group-container alignfull \">\n<div class=\"wp-block-group alignwide is-layout-constrained wp-block-group-is-layout-constrained\">\n<h3 class=\"wp-block-heading\">Weiterf\u00fchrende Informationen<\/h3>\n\n\n\n<p>Technologiestack: Python 3, mit den einschl\u00e4gigen Datenanalyse-Packages (Pandas, scikit-learn, etc.).<\/p>\n\n\n\n<p>MC\u00b3: Medical Cognitive Computing Center, gemeinsames Forschungsprojekt von Kepler Universit\u00e4tsklinikum Linz \/ MedCampus III, Johannes Kepler Universit\u00e4t Linz \/ Institut f\u00fcr Machine Learning, und RISC Software GmbH \/ Abteilung Medizininformatik.<\/p>\n<\/div>\n<\/div>\n\n<div class=\"wp-block-group-container alignfull \">\n<div class=\"wp-block-group alignwide is-layout-constrained wp-block-group-is-layout-constrained\">\n<div class=\"wp-block-columns is-layout-flex wp-container-core-columns-is-layout-28f84493 wp-block-columns-is-layout-flex\">\n<div class=\"wp-block-column is-layout-flow wp-block-column-is-layout-flow\" style=\"flex-basis:66.66%\">\n<h3 class=\"wp-block-heading\">Kontakt<\/h3>\n\n\n\n<div class=\"wp-block-contact-form-7-contact-form-selector\">\n<div class=\"wpcf7 no-js\" id=\"wpcf7-f663-o1\" lang=\"en-US\" dir=\"ltr\" data-wpcf7-id=\"663\">\n<div class=\"screen-reader-response\"><p role=\"status\" aria-live=\"polite\" aria-atomic=\"true\"><\/p> <ul><\/ul><\/div>\n<form action=\"\/en\/wp-json\/wp\/v2\/publication\/2895#wpcf7-f663-o1\" method=\"post\" class=\"wpcf7-form init\" aria-label=\"Contact form\" novalidate=\"novalidate\" data-status=\"init\">\n<fieldset class=\"hidden-fields-container\"><input type=\"hidden\" name=\"_wpcf7\" value=\"663\" \/><input type=\"hidden\" name=\"_wpcf7_version\" value=\"6.1.5\" \/><input type=\"hidden\" name=\"_wpcf7_locale\" value=\"en_US\" \/><input type=\"hidden\" name=\"_wpcf7_unit_tag\" value=\"wpcf7-f663-o1\" \/><input type=\"hidden\" name=\"_wpcf7_container_post\" value=\"0\" \/><input type=\"hidden\" name=\"_wpcf7_posted_data_hash\" value=\"\" \/>\n<\/fieldset>\n<div class=\"form-row\">\n\t<div class=\"form-input\">\n\t\t<p><label class=\"sr-only\" for=\"your-name\">Your name <\/label><br \/>\n<span class=\"wpcf7-form-control-wrap\" data-name=\"your-name\"><input size=\"40\" maxlength=\"400\" class=\"wpcf7-form-control wpcf7-text wpcf7-validates-as-required\" id=\"your-name\" aria-required=\"true\" aria-invalid=\"false\" placeholder=\"Name\" value=\"\" type=\"text\" name=\"your-name\" \/><\/span>\n\t\t<\/p>\n\t<\/div>\n\t<div class=\"form-input\">\n\t\t<p><label class=\"sr-only\" for=\"your-email\">Your email<\/label><br \/>\n<span class=\"wpcf7-form-control-wrap\" data-name=\"your-email\"><input size=\"40\" maxlength=\"400\" class=\"wpcf7-form-control wpcf7-email wpcf7-validates-as-required wpcf7-text wpcf7-validates-as-email\" id=\"your-email\" aria-required=\"true\" aria-invalid=\"false\" placeholder=\"E-Mail\" value=\"\" type=\"email\" name=\"your-email\" \/><\/span>\n\t\t<\/p>\n\t<\/div>\n<\/div>\n<div class=\"form-row\">\n\t<div class=\"form-input\">\n\t\t<p><label class=\"sr-only\" for=\"your-company\">Company <\/label><br \/>\n<span class=\"wpcf7-form-control-wrap\" data-name=\"your-company\"><input size=\"40\" maxlength=\"400\" class=\"wpcf7-form-control wpcf7-text\" id=\"your-company\" aria-invalid=\"false\" placeholder=\"Unternehmen\" value=\"\" type=\"text\" name=\"your-company\" \/><\/span>\n\t\t<\/p>\n\t<\/div>\n\t<div class=\"form-input\">\n\t\t<p><label class=\"sr-only\" for=\"your-position\">Position<\/label><br \/>\n<span class=\"wpcf7-form-control-wrap\" data-name=\"your-position\"><input size=\"40\" maxlength=\"400\" class=\"wpcf7-form-control wpcf7-text\" aria-invalid=\"false\" placeholder=\"Position\" value=\"\" type=\"text\" name=\"your-position\" \/><\/span>\n\t\t<\/p>\n\t<\/div>\n<\/div>\n<div class=\"form-row\">\n\t<div class=\"form-input\">\n\t\t<p><label class=\"sr-only\" for=\"your-subject\"> Subject <\/label><br \/>\n<span class=\"wpcf7-form-control-wrap\" data-name=\"your-subject\"><input size=\"40\" maxlength=\"400\" class=\"wpcf7-form-control wpcf7-text wpcf7-validates-as-required\" id=\"your-subject\" aria-required=\"true\" aria-invalid=\"false\" placeholder=\"Thema\" value=\"\" type=\"text\" name=\"your-subject\" \/><\/span>\n\t\t<\/p>\n\t<\/div>\n<\/div>\n<p><span id=\"wpcf7-69de57672457c-wrapper\" class=\"wpcf7-form-control-wrap phone-95-wrap\" style=\"display:none !important; visibility:hidden !important;\"><label for=\"wpcf7-69de57672457c-field\" class=\"hp-message\">Please leave this field empty.<\/label><input id=\"wpcf7-69de57672457c-field\"  class=\"wpcf7-form-control wpcf7-text\" type=\"text\" name=\"phone-95\" value=\"\" size=\"40\" tabindex=\"-1\" autocomplete=\"new-password\" \/><\/span><br \/>\n<label class=\"sr-only\" for=\"your-message\"> Your message (optional)<\/label><br \/>\n<span class=\"wpcf7-form-control-wrap\" data-name=\"your-message\"><textarea cols=\"40\" rows=\"10\" maxlength=\"2000\" class=\"wpcf7-form-control wpcf7-textarea\" id=\"your-message\" aria-invalid=\"false\" placeholder=\"Ihre Nachricht an uns\" name=\"your-message\"><\/textarea><\/span><br \/>\n<span class=\"wpcf7-form-control-wrap\" data-name=\"hcap-cf7\">\t\t<input\n\t\t\t\ttype=\"hidden\"\n\t\t\t\tclass=\"hcaptcha-widget-id\"\n\t\t\t\tname=\"hcaptcha-widget-id\"\n\t\t\t\tvalue=\"eyJzb3VyY2UiOlsiY29udGFjdC1mb3JtLTdcL3dwLWNvbnRhY3QtZm9ybS03LnBocCJdLCJmb3JtX2lkIjo0MzZ9-c5ba05e011699d70dda36bf3838d9e02\">\n\t\t\t\t<span id=\"hcap_cf7-69de576724cc68.95492903\" class=\"wpcf7-form-control h-captcha \"\n\t\t\tdata-sitekey=\"3a6a81c1-2b2e-4b2a-b1eb-d9446bc09afb\"\n\t\t\tdata-theme=\"light\"\n\t\t\tdata-size=\"normal\"\n\t\t\tdata-auto=\"false\"\n\t\t\tdata-ajax=\"false\"\n\t\t\tdata-force=\"false\">\n\t\t<\/span>\n\t\t<input type=\"hidden\" id=\"_wpnonce\" name=\"_wpnonce\" value=\"c96e028190\" \/><input type=\"hidden\" name=\"_wp_http_referer\" value=\"\/en\/wp-json\/wp\/v2\/publication\/2895\" \/><\/span><input class=\"wpcf7-form-control wpcf7-submit has-spinner btn\" type=\"submit\" value=\"Senden\" \/>\n<\/p><div class=\"wpcf7-response-output\" aria-hidden=\"true\"><\/div>\n<\/form>\n<\/div>\n<\/div>\n<\/div>\n\n\n\n<div class=\"wp-block-column is-layout-flow wp-block-column-is-layout-flow\" style=\"flex-basis:33.33%\">\n<h3 class=\"wp-block-heading\">Autor<\/h3>\n\n\n<div class=\"contact-person\">\n      <picture>\n      \n      \n      \n      \n      <img decoding=\"async\" data-aos=\"fade-zoom-in\"\n           data-aos-offset=\"0\" class=\"w-full\" width=\"212\" height=\"293\"\n           src=\"https:\/\/risc.web-email.at\/app\/uploads\/2023\/06\/amaletzk1-removebg-preview-1.png\"\n           alt=\"\">\n    <\/picture>\n    \n\n<h5 class=\"wp-block-heading\">DI Dr. Alexander Maletzky<\/h5>\n\n\n\n<p>Researcher &amp; Developer<\/p>\n\n  <\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n\n<div class=\"wp-block-group-container alignfull \">\n<div class=\"wp-block-group alignwide is-layout-constrained wp-block-group-is-layout-constrained\">\n<h3 class=\"wp-block-heading\">Referenzen<\/h3>\n\n\n\n<p>F Hatib et al. Machine-learning Algorithm to Predict Hypotension Based on High-fidelity Arterial Pressure Waveform Analysis. Anesthesiology 129(4): 663-674, 2018. DOI: 10.1097\/ALN.0000000000002300<\/p>\n\n\n\n<p>S Hyland et al. Early prediction of circulatory failure in the intensive care unit using machine learning. Nature Medicine 26(3): 364-373, 2020. DOI: 10.1038\/s41591-020-0789-4<\/p>\n<\/div>\n<\/div>\n\n<div class=\"wp-block-group-container alignfull \">\n<div class=\"wp-block-group alignwide is-layout-constrained wp-block-group-is-layout-constrained\"><div class=\"posts-slider-block\" data-aos=\"fade-up\" data-aos-offset=\"0\" data-aos-anchor-placement=\"top-bottom\">\n        <section class=\"splide posts-slider\" aria-label=\"Gallery Slides\">\n            <div class=\"splide__arrows\">\n                <button class=\"splide__arrow splide__arrow--prev\">\n                    <span class=\"sr-only\">Previous<\/span>\n                    <img decoding=\"async\" loading=\"lazy\" width=\"25\" height=\"21\" src=\"https:\/\/risc.web-email.at\/app\/themes\/risc-theme\/public\/images\/icon-arrow.35d2ec.svg\"\n                         alt=\"Previous\">\n                <\/button>\n                <button class=\"splide__arrow splide__arrow--next\">\n                    <span class=\"sr-only\">Next<\/span>\n                    <img decoding=\"async\" loading=\"lazy\" width=\"25\" height=\"21\" src=\"https:\/\/risc.web-email.at\/app\/themes\/risc-theme\/public\/images\/icon-arrow.35d2ec.svg\"\n                         alt=\"Next\">\n                <\/button>\n            <\/div>\n            <div class=\"inner\">\n                <div class=\"splide__track\">\n                    <div class=\"splide__list\">\n\n                                                    <a href=\"https:\/\/risc.web-email.at\/en\/technicalarticles\/technical-article-machine-data-analysis-using-artificial-intelligence\/\" class=\"splide__slide blog-post-teaser mb-1 lg:mb-3\">\n                                <div class=\"blog-image\">\n                                                                                                                                <picture>\n                                                                                        <img decoding=\"async\" src=\"https:\/\/risc.web-email.at\/app\/uploads\/2023\/06\/Generische-Datenpipeline_RISC_Software_GmbH-360x214.png\"\n                                                 alt=\"Machine data analysis using artificial intelligence\">\n                                        <\/picture>\n                                                                    <\/div>\n                                <div class=\"blog-content px-2 py-3 xl:px-4 xl:py-5\">\n                                    <h3>Machine data analysis using artificial intelligence<\/h3>\n                                    <div class=\"blog-post-excerpt mt-2\">\n                                        The path from raw data to the finished model is usually further than expected. RISC Software GmbH developed a generic pipeline for AI-based data analysis for this purpose.\n                                    <\/div>\n                                    <span class=\"inline-block mt-2 more\">mehr erfahren <span class=\"ml-1 icon-more\"><\/span><\/span>\n\n                                <\/div>\n                            <\/a>\n                                                    <a href=\"https:\/\/risc.web-email.at\/en\/technicalarticles\/technical-article-exploratory-data-analysis-with-time-series\/\" class=\"splide__slide blog-post-teaser mb-1 lg:mb-3\">\n                                <div class=\"blog-image\">\n                                                                                                                                <picture>\n                                                                                        <img decoding=\"async\" src=\"https:\/\/risc.web-email.at\/app\/uploads\/2023\/06\/shutterstock_1265234572-1-360x214.jpg\"\n                                                 alt=\"Exploratory Data Analysis with Time Series\">\n                                        <\/picture>\n                                                                    <\/div>\n                                <div class=\"blog-content px-2 py-3 xl:px-4 xl:py-5\">\n                                    <h3>Exploratory Data Analysis with Time Series<\/h3>\n                                    <div class=\"blog-post-excerpt mt-2\">\n                                        Time series are central to decision making, but bring many challenges to data analysis.\n                                    <\/div>\n                                    <span class=\"inline-block mt-2 more\">mehr erfahren <span class=\"ml-1 icon-more\"><\/span><\/span>\n\n                                <\/div>\n                            <\/a>\n                                            <\/div>\n                <\/div>\n            <\/div>\n        <\/section>\n    <\/div>\n<\/div>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>Time series data, for example machine data in industry or vital signs in medicine, are nowadays an important data source for the analysis of complex systems. However, for the development of practical models, the right choice of training data is a challenging task.<\/p>\n","protected":false},"featured_media":2886,"template":"","publication-category":[50,77,76],"class_list":["post-2895","publication","type-publication","status-publish","has-post-thumbnail","hentry","publication-category-data-science-and-a-i","publication-category-medical-informatics","publication-category-medizin-informatik"],"acf":[],"portrait_thumb_url":"https:\/\/risc.web-email.at\/app\/uploads\/2023\/06\/iStock-530605395-1-360x214.jpg","_links":{"self":[{"href":"https:\/\/risc.web-email.at\/en\/wp-json\/wp\/v2\/publication\/2895","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/risc.web-email.at\/en\/wp-json\/wp\/v2\/publication"}],"about":[{"href":"https:\/\/risc.web-email.at\/en\/wp-json\/wp\/v2\/types\/publication"}],"version-history":[{"count":15,"href":"https:\/\/risc.web-email.at\/en\/wp-json\/wp\/v2\/publication\/2895\/revisions"}],"predecessor-version":[{"id":36494,"href":"https:\/\/risc.web-email.at\/en\/wp-json\/wp\/v2\/publication\/2895\/revisions\/36494"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/risc.web-email.at\/en\/wp-json\/wp\/v2\/media\/2886"}],"wp:attachment":[{"href":"https:\/\/risc.web-email.at\/en\/wp-json\/wp\/v2\/media?parent=2895"}],"wp:term":[{"taxonomy":"publication-category","embeddable":true,"href":"https:\/\/risc.web-email.at\/en\/wp-json\/wp\/v2\/publication-category?post=2895"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}