Nadeem, MubarisMubarisNadeem2025-10-242025-10-242025https://dspace.ub.uni-siegen.de/handle/ubsi/7198In reference to IEEE copyrighted material which is used with permission in this thesis, the IEEE does not endorse any of University of Siegen’s products or services. Internal or personal use of this material is permitted. If interested in reprinting/ republishing IEEE copyrighted material for advertising or promotional purposes or for creating new collective works for resale or redistribution, please go to http://www.ieee.org/publications_standards/publications/rights/rights_link.html to learn how to obtain a License from RightsLink.In today’s technological world, data collection, preservation and transfer has become one of the most important means of means of interpreting information and gaining knowledge from it. Particularly in modern medicine, medical data, which is collected through various technological means, such as smartwatches, tablets, medical devices and through the input of medical personnel into various software solutions, are essential for providing effective and patient-oriented medical treatment. However, this life-saving information is fragmented across different platforms and areas (homes, hospitals, doctors) and cannot be consolidated for further treatment. This lack of access to important external knowledge sources, such as clinical trials and cutting-edge research, leads to incomplete utilization of the available potential. This data could support medical staff in providing a coherent and rapid basis for decision-making based on personal data. This plays a particularly important role in rescue operations. In the short time available to the rescue service, the new knowledge about the situation, the patient Medical vital signs such as blood pressure, ECG and heart rate help to classify the patient on site and treat them correctly. Technical solutions could help here by using hybrid knowledge models to bundle medical knowledge and use artificial intelligence to provide support in decision-making for rescue personnel. This thesis deals with the design of an innovative hybrid knowledge graph model for the integration of (non-) medical medical knowledge into a knowledge graph developed for medicine. The aim is to use intelligent knowledge fusion methods to integrate different knowledge sources (e.g. historical data, vital parameters), to enable more efficient, evidence-based patient treatment to make them usable and thus reduce the complexity of combining them. In the long term, the digital twin is to be used as a knowledge model, to combine knowledge streams and formulate new findings (with the help of DT services). This can initiate a knowledge reform in medicine medical knowledge, whereby distributed medical expertise accumulates added value for patients patients, medical staff and society.In der heutigen technologischen Welt ist die Datensammlung, -erhaltung und - übertragung einer der wichtigsten Mittel geworden, um Informationen zu interpretieren und daraus formulierte Erkenntnisse zu gewinnen. Vorallem in der modernen Medizin sind medizinische Daten, welche durch diverse technologische Mittel, wie Smartwatches, Medizinprodukte und durch medizinisches Personal manuell eingetrage Daten, essentiell um eine medizinische Behandlung wirkungsvoll und patienten-orientiert zu leisten. Jedoch sind diese lebensrettenden Informationen auf verschiedenen Plattformen und Bereiche (Häuslichkeit, Krankenhäuser, Ärzte) fragmentiert und können nicht konsolidiert zu weiteren Behandlungen zugezogen werden. Dieser mangelnde Zugang zu wichtigen externen Wissensquellen, wie unter anderem klinischen Studien und modernster Forschung, führt zur unvollständigen Nutzung des vorhanden Potentials. Dabei könnten diese Daten dabei unterstützen medizinischem Personal kohärente und schnelle Entscheidungsgrundlagen auf Basis personenbezogener Daten zur Verfügung zu stellen. Vor allem bei Rettungseinsätzen, spielt dies eine besondere Rolle. In der kurzen Zeit, die dem Rettungsdienst zur Verfügung steht, muss das neue Wissen über die Situation, den Patienten und den Datenflüssen geformt und zu einer gesundheitsfördernden Maßnahme formuliert werden. Hierbei unterstützen medizinische Vitalparameter, wie Blutdruck, EKG und Herzfrequenz den Patienten vor Ort einzuordnen und richtig zu behandeln. Technische Lösungen könnten hier Abhilfe schaffen, indem diese hybride Wissensmodelle nutzen, um das medizinische Wissen zu bündeln und durch die Anwendung von künstlicher Intelligenz eine Unterstützung in der Entscheidungsfindung für das Rettungspersonal zu ermöglichen. Diese Arbeit beschäftigt sich mit dem Entwurf eines hybriden Wissensgraphmodells zur Integration von (nicht-) medizinischen Wissen in einen für die Medizin entwickelten Wissensgraph. Ziel ist es, durch intelligente Methoden der Wissensfusion, verschiedene Wissensquellen (z.B. historischen Daten, Vitalparametern) zu integrieren, um eine effizientere, evidenzbasierte Patientenbehandlung zu ermöglichen und um dadurch diese nutzbar zu machen und daraus folgend die Komplexität der Vereinigung der Quellen zu reduzieren. Dabei soll langfristig der Digitale Zwilling als Wissensmodell genutzt werden, um Wissensströme zu vereinen und neue Erkenntnisse zu formulieren. Dadurch kann eine Wissensreform in der Medizin eingeleitet werden, wodurch verteile medizinische Expertise akkumuliert einen Mehrwert für den Patienten, dem medizinischen Personal und der Gesellschaft bilden kann.enAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/610 Medizin, GesundheitKnowledge graphDigital twinHealthcareEmergency careKnowledge fusionWissensgraphWissensfusionDigitaler ZwillingDoctoral ThesisFathi, Madjidurn:nbn:de:hbz:467-71986