Erleichterung des tierärztlichen Alltags
Vernetzung klinischer Daten
Training künstlicher Intelligenzen

Wir unterstützen
Tierärztinnen und Tierärzte

im Fallmanagement, während der medizinischen Behandlung, bei der Analyse von Daten des Gesundheitszustands und in der Kommunikation mit Besitzern

Tierärzte und Tierärztinnen müssen im klinischen Alltag in kurzer Zeit eine enorme Datenflut bewältigen. Künstliche Intelligenz hat das Potenzial, Tierärzte zu entlasten.
Mit der Aussicht, dass sie sich in Zukunft besser auf die Aufgaben konzentrieren können, die letztlich nur von Menschen zu bewältigen sind: kommunizieren, priorisieren, entscheiden und behandeln.

Medizin ist zu einem erheblichen Teil die Fähigkeit, Daten zu analysieren und daraus Schlüsse für das konkrete Handeln zu ziehen. Bei der Erkennung von Mustern können sich Medizinerinnen und Mediziner die Unermüdlichkeit von Maschinen zu Nutze machen.

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.

Erleichterung des
tierärztlichen Alltags

Erleichtern heißt ordnen. Bevor man auf Erleichterung durch neue Technologien hoffen darf, muss der tierärztliche Alltag geordnet und systematisiert sein.

Wir vereinfachen die Dokumentation, reduzieren die Wege der Kommunikation, etablieren ein professionelles Fallmanagement, optimieren die Einarbeitung und Ausbildung, stellen lege artis Protokolle zur Verfügung, automatisieren die Generierung von Arztbriefen und ordnen die Beziehung zwischen Tierärzten und Besitzern.

Vernetzung klinischer Daten

Das Training von künstlichen Intelligenzen ist nur auf der Basis geordneter, vollständiger und ausreichender Daten möglich.

Die Veterinärmedizin entwickelt sich immer mehr zu einer evidenzbasierten Wissenschaft. Die Grundgesamtheiten, die der lege artis zugrunde liegen, müssen erweitert werden.
Wir sehen es als unsere Aufgabe, wissenschaftliche Daten des tiermedizinischen Alltags, der universitären und außeruniversitären Forschung und der Langzeitbeobachtung in der Nachsorge und der Prävention miteinander zu vernetzen.
Durch eine interessenneutrale Moderation der anonymisierten wissenschaftlichen Daten und die Überwachung der Sicherheitsstandards bereiten wir der Schwarmintelligenz den Weg.

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 Tierärzteschaft und Besitzer*innen zu treiben. Künstliche Intelligenz darf ein rentables Geschäftsmodell werden, muss aber im Kern gemeinwohlorientiert sein.

animalrecords
anirec

anirec
ist unsere App
für Tierärzte.

Sie funktioniert sowohl auf dem Mobiltelefon als auch auf dem Desktop. Sie verbindet Telemedizin, Fallmanagement und künstliche Intelligenz. Sie erleichtert den veterinärmedizinischen Alltag, sie verarbeitet die Gesundheitsdaten und liefert dem Tierarzt eine KI-gestützte Erstmeinung in der Diagnose.

anirec erleichtert und fokussiert den Kontakt mit den Besitzern, während der Behandlung, der Nachsorge und in der Früherkennung.

Version 2.0.2
Oktober 2023

Die App befindet sich derzeit in der Pilotphase.

anirec
unsere agenda

Wir arbeiten daran, dass es für Forschende deutlich leichter als bisher möglich ist, Langzeitdaten zu erheben und damit Behandlungsmethoden auf ihre Wirksamkeit zu prüfen. Vereinfachung
Langzeitstudien -
2022

Wir trainieren bereits eine künstliche Intelligenz, die in der Lage ist, über 20 Erkrankungen des Pferdeauges zu diagnostizieren. Diagnose von über 20 Erkrankungen des Pferdeauges - 2022

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. Statistiken der eigenen Arbeit - 2022

Wir möchten, dass junge Tierärzte ohne jahrelange Erfahrung Untersuchungsprotokolle nach den Regeln der ärztlichen Kunst einhalten können, dies unabhängig von der Qualität der Einarbeitung. Protokolle nach lege artis - 2023

Es ist uns ein bedeutendes Anliegen, die Kommunikation zwischen Tierarzt und Besitzer zu erleichtern, damit die Besitzer sich nicht unnötig Sorgen machen müssen und die Tierärzte sich auf die Behandlung konzentrieren können. Leichtere Kommunikation zwischen Tierarzt
und Besitzer -
2024

Wir möchten eine alltagstaugliche Methode bereitstellen, mit deren Hilfe Besitzer die ärztlichen Behandlungsanordnungen einfach und sicher umsetzen können. Verständliche Anleitungen für Besitzer - 2024

Wir möchten, dass zu Beginn einer Behandlung dem Tierarzt ein vollständiger Vorbericht vorliegt, der den Beteiligten so wenig Zeit wie nur möglich abverlangt. Vorbericht ohne Stress - 2024

Wir arbeiten daran, dass unsere App anzeigt, ob ein Pferd akut Schmerzen äußert und wie stark diese Schmerzäußerungen ausgeprägt sind. Pain Score - 2025

Wir stellen sicher, dass die Erstellung eines aussagekräftigen und verständlichen Arztbriefes in wenigen Sekunden erledigt ist. Zehn Sekunden für den Arztbrief - 2026

animalrecords
forschung

Wir stehen in Forschungskooperation mit der Tierärztlichen Fakultät der Ludwig-Maximilians-Universität München und dem Institut für Künstliche Intelligenz der Hochschule Ravensburg-Weingarten.

Artificial intelligence as a tool to aid in the differentiation of equine ophthalmic diseases with an emphasis on equine uveitis

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.

Keywords: artificial intelligence; blindness; equine uveitis; horse; machine/deep learning; ophthalmology

Artificial Intelligence
for Lameness Detection
in Horses — A Preliminary Study

Feuser A.-K., Gesell-May S., Müller T., May A.
DOI: 10.3390/ani12202804

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.

Keywords: artificial intelligence; deep learning; pose estimation; lameness; equine

Comparison of veterinarians and a deep learning tool in the diagnosis of equine ophthalmic diseases

Eingereicht bei Equine Veterinary Journal (EVJ)
Annabel Scharre (1)*, Dominik Scholler (1)*, Stefan Gesell-May (2), Tobias Müller (3), Yury Zablotski (4), Wolfgang Ertel (5), Anna May (1)**

(1) Equine Clinic, Ludwig Maximilians University, Oberschleissheim, Germany
(2) Center for Equine Ophthalmology, Munich, Germany 
(3) anirec, Germany
(4) Clinic for ruminants, Ludwig Maximilians University, Oberschleissheim, Germany
(5) Institute for Artificial Intelligence, Ravensburg-Weingarten University, Germany

*These two authors contributed equally to this work
**Corresponding author

animalrecords

Fokus

Training
künstlicher Intelligenzen

Tobias Müller

Geschäftsführung,
Unternehmensentwicklung,
Entwicklung künstlicher Intelligenzen,
Leitung App Entwicklung

Informatik, Künstliche Intelligenz, Forschung

Vernetzung
klinischer Daten

Stefan Gesell-May

Geschäftsführung,
Unternehmensentwicklung,
Mitglied des Expertengremiums Ophthalmologie bei Pferden

Praktizierender Tierarzt

pferdeaugenheilkunde.de

Fokus