Gesellschaftlicher Mehrwert
Die Zielgruppe unserer Open Source Lösung sind Personen mit direktem Kontakt zu COVID-19 Patient*innen, z.B.: Ärzt*innen und verpflegendes Personal. Es löst den dringenden Bedarf nach automatisierten Qualitätskontrollen bei importierten Atemschutzmasken, so dass diese in großen Mengen auch von unbekannten Herstellern aus dem Ausland und notfalls auch ohne CE Kennzeichnung eingekauft werden können. Momentan können Kliniken nur noch FFP2 Masken einsetzen und diese auch nur beschränkt, so dass ungewünschte Bloßstellungen unabdingbar geworden sind und viele bereits mit COVID-19 infiziert wurden.
Innovationskraft
Das Projekt soll gefälschte FFP-2/FFP-3 Masken in den Betrugsdatenbanken der EU, UN, USA, China sowie von unabhängigen nationalen Prüfstellen wie dem TÜV durchsuchen, um eine bessere Genauigkeit durch die Integration der Ergebnisse zu erreichen. Diese Metasuche soll sowohl für die Entdeckung von Folgetätern, als auch zur Extraktion von gefälschten Merkmalen genutzt werden. Diese Daten werden mit weiteren Hintergrunddaten der Lieferanten (aus Webseiten und CE-Zertifikaten) kombiniert, um einen Risiko Score zu generieren, der die Glaubwürdigkeit der Hersteller*innen beurteilt. Diese initiale Überprüfung der Hintergrunddaten der Lieferanten ist unter der aktuellen Krisensituation und dem Personalmangel nicht umsetzbar und wäre selbst für erfahrenes Personal zeitaufwändig und würde ihr Fachwissen überschreiten.
Die bereits bestellten Masken können in einem zweiten Schritt vor Ort mit CustomVisionAI auf ihre Echtheit geprüft werden. Momentan wird eine visuelle Kontrolle der Masken händisch durch die Hygieneabteilungen der Krankenhäuser ausgeführt, unter nur geringer Standardisierung und knappen Zeitressourcen. Generell gibt es standardisierte Verfahren zur Überprüfung der Masken auf Ihre Beschaffenheit und darauf, ob die Masken den Anforderungen entsprechen. Aktuell bekommen Krankenhäuser allerdings vor der Lieferung keine Muster, so dass die Prüfung erst stattfinden kann, wenn die Masken geliefert wurden. Da die Lieferzeiten aktuell bis zu 3 Wochen benötigen und eine finale Freigabe dann bis zu 4 Wochen Zeit kosten würde, müssen Masken mit nur unzureichender Verifikation genutzt werden.
Skalierbarkeit
Momentan ist der Bedarf an Masken mehr als ungedeckt: in den Krankenhäusern gibt es nur noch knappe Vorräte an FFP2 Masken, sodass diese nur für die dringendsten Fälle genutzt werden können. Die für COVID-19 notwendigen FFP3 Masken sind gar nicht mehr vorrätig. Die Prognosen zeigen, dass die COVID-19 Pandemie noch Monate bis Jahre bestehen bleiben kann und die gesamte Weltbevölkerung betrifft. Auch nach der Krise wird die Lösung im Routinebetrieb eingesetzt werden können und zeigt eine potenzielle Transferoption auf andere medizinische Produkte, so wie Schutzanzüge, Schutzbrillen und Desinfektionsmittel. Auch andere Länder können von der Open Source Lösung profitieren.
Fortschritt während des Hackathons
Das interdisziplinäre Team von Expert*innen für Krankenhäuser, medizinische Geräte, digitale Gesundheit, Einkaufsprozesse, Logistik, KI und IT haben in den letzten Tage tiefe Recherchen ausgeführt, zusammengetragen und diskutiert.
Im Hackathon wurden die bestehenden schwarzen Listen von nationalen, europäischen und internationalen Betrugsfällen nach FFP-2/FFP-3 Masken durchsucht und wichtige Merkmale der Betrugsfälle wurden extrahiert und gesammelt. Die Betrugsdatenbanken der EU, USA, China sowie unabhängige Prüfstellen wie dem TÜV Süd haben ergeben, dass verschiedene Quellen herangezogen werden müssen, um einen Betrug aufzudecken und das bestehende Wissen maximal zu nutzen.
Folgende Datenbanken werden durchsucht und extrahiert:
Weitere Anlaufstellen zur Betrugsprävention
Es wurden Bilder von echten und gefälschten FFP2/FFP3 Masken gesammelt und in Azure CustomVisionAI hochgeladen. Damit wurde das erstes Modell trainiert und danach mit einem festen Satz an Testdaten geprüft.
Mit dem Prototypen kann die/der Nutzer*in Bilder via seinem/r Smartphone hochladen und erhält das Ergebnis umgehend vom cloud-basierten KI Service (Azure Custom Vision AI).
Das Model kann auf der Seite Testseite des Prototypen ausgetestet werden.
Im Open Source GitHub Repository kann der Quellcode frei bezogen und weiterentwickelt werden: https://github.com/chaosmail/is-my-mask-safe
Verständlichkeit der Lösung
Die aktuelle Krisensituation erfordert, dass alle Möglichkeiten zum Einkauf von Atemschutzmasken genutzt werden. Somit beziehen Kliniken und Krankenhäuser vermehrt importierte chinesische Atemschutzmasken, die zwar über CE Zertifikate verfügen, welche allerdings aus Ressourcenknappheit und wegen der Komplexität oft nicht verifiziert werden können. Viele Betrugsfälle wurden bereits aufgedeckt und u.a. in Datenbanken vom TÜV Süd abgelegt.
Die Lösung soll durch das Klinikpersonal einfach und intuitiv zu verwenden sein. Im ersten Schritt kann der Einkauf mit Angabe der URL des Anbieters die Webseite und assoziierte Informationen (Serverstandorte, fehlendes Impressum, falsche Telefon-/Adressangaben, Webseiten Traffic, Zeit der Webseiten Präsenz, Preisgestaltung usw.) überprüfen. Daneben zieht die Lösung die Informationen aus der Webseite und gleicht sie mit den Betrugsdatenbanken ab. 
In einem nächsten Schritt werden zusätzliche Informationen der bereitgestellten CE Zertifikate überprüft und mit einem weiteren Risiko Score versehen. Hierzu gehören u.a. die Überprüfung der internationalen SteuerID (VAT) und ihre Gültigkeit auf der VIES-Website der Europäischen Kommission mittels: Vatlayer oder VAT-validation VAT-validation sowie die Überprüfung der Echtheit des CE Symbols und der zugehörigen Nummer der benannten Prüfstellen. Wenn diese initialen Überprüfungen einen positiven Risiko Score veranlasst haben, können Masken bestellt werden, die dann in einem dritten Schritt beim Eintreffen optisch auf ihre Qualität mittels KI geprüft werden. Die Bilder werden vom Smartphone aufgenommen, zu Dokumentationszwecken gespeichert und durchlaufen einen mehrstufigen automatischen Qualitätsprozess durch verschiedene KI-basierte Datenmodelle. Hier kommt es auf eine Klassifizierung als auch einer Objekt-Detektierung an. Im Anschluss wird der/die Nutzer*in nochmal auf bestimmte Qualitätskriterien des speziellen Modells hingewiesen, was durch die Bilderkennung nicht geleistet werden kann, z.B. Anzahl der Lagen und der Geruch.
Die Rechercheergebnisse wurden in Microsoft Teams und OneNote ausführlich dokumentiert. Das Modell wurde in der Cloud abgelegt und es können weitere Projektteilnehmer eingeladen werden.
Welche Herausforderung
Krankenhäuser sind in der aktuellen Krisensituation gezwungen Masken von nicht-verifizierten Importeuren zu nutzen und stellen sich somit potenziell COVID-19 Infektionen bloß. Das CE Siegel ist laut der Europäischen Kommission EU-Kommissionsempfehlung nun nicht mehr zwingend notwendig, um Atemschutzmasken zu nutzen. Somit ist die Überprüfung der Hersteller von enormer Relevanz und sollte automatisch überprüft werden.
Welche Impakt für Menschen
Die Lösung schützt vor allem vulnerables Fachpersonal und gewährleistet das sichere und nachhaltige Arbeiten mit potenziell infizierten Patient*innen und somit den Fortbestand unserer medizinischen Versorgung.
Built With
- ai
- algorithmus
- atemmaske
- azure
- bilderkennung
- cloud
- cognitiveservices
- customvisionai
- detection
- ecommerce
- einkauf
- ffp2
- ffp3
- fraud
- ki
- masks
- qualitatskontrolle
Log in or sign up for Devpost to join the conversation.