KIKatja Ickstadt

Katja Ickstadt

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Katja Ickstadt has a total of 218 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Open Access

    Uncertainty quantification in FEM simulation of human liver: sensitivity analysis, Gradient-Enhanced Kriging, and Monte Carlo simulation

    by Navina Waschinsky, Carmen van Meegen, Lena Lambers, Katja Ickstadt, Tim Ricken

    The numerical simulation of metabolic processes in the human liver involves challenges related to model accuracy, physiological representation, and data uncertainty. Soft tissue models must capture complex, multiphase, and time-dependent behavior. However, the high computational cost of such analyses often restricts them to simplified deterministic scenarios that neglect biological variability and uncertainty. In this paper, the deterministic foundation of a liver perfusion-function model based on the Finite Element Method (FEM) is extended to incorporate material variability. To this end, a workflow is presented that integrates sensitivity analysis, surrogate modeling based on a Gradient-Enhanced Kriging (GEK) model, and uncertainty quantification. This approach enables the identification of critical parameters, enhances the interpretability of the model, and provides probabilistic outcome assessments for FEM-based simulations. The FEM model represents liver tissue on the lobule scale, incorporating metabolically active cells and vascular systems through a poroelastic multiscale framework with spatially coupled function-perfusion dynamics. It simulates liver-related conditions, such as tumor growth due to metabolic associated fatty liver disease (MAFLD), which affects microperfusion. Aleatoric uncertainties in material parameters are accounted for, and a local sensitivity analysis identifies critical nodes as a foundation for a GEK metamodel. Monte Carlo (MC) methods on the surrogate enable fast propagation of input uncertainty and probabilistic assessment of predicted outcomes. Rather than assuming deterministic accuracy, this approach offers a systematic way to explore and interpret model behavior under uncertainty.

  • Sports Analytics

    by Rudi Zulauf, Daniel Seebacher, Markus Schopp, Christian Gratzei, Katja Ickstadt, Manuel Stein

  • Development of Innovative Scouting Features Through Automated Motion Data Analysis

    by Rudi Zulauf, Daniel Seebacher, Markus Schopp, Christian Gratzei, Katja Ickstadt, Manuel Stein

  • Open Access

    Daten, Künstliche Intelligenz und Evidenz – neue Anforderungen an die Statistikausbildung an Hochschulen

    by Ursula Berger, Rolf Biehler, Karin Binder, Christina Elmer, Florian Ertz, Thomas Hotz, Sarah Huber, Katja Ickstadt, Göran Kauermann, Helmut Küchenhoff, et al.

    Zusammenfassung: Das Positionspapier formuliert neun Thesen zur Weiterentwicklung der Statistikausbildung im Kontext von Data Science und Künstlicher Intelligenz. Im Zentrum stehen Data & Statistical Literacy, Datenqualität und -ethik, die Verbindung von Statistik und Machine Learning sowie die Stärkung einer eigenständigen Statistikdidaktik. Die Diskussionsbeiträge erweitern diese Perspektiven: Christina Elmer betont Wissenschaftskommunikation und AI Literacy, Helmut Küchenhoff projektbasiertes Lernen und Datenschutz, Christoph Weisser die industrielle Praxis und organisationsweite Datenkompetenz, Göran Kauermann die Verzahnung von Statistik und Data Science, und Rolf Biehler sowie Karin Binder die didaktische und institutionelle Weiterentwicklung. Die Replik greift diese Impulse auf und unterstreicht die interdisziplinäre Verantwortung für eine zukunftsfähige Statistikausbildung.


  • Open Access

    Guidance for Addressing Individual Time Effects in Cohort Stepped Wedge Cluster Randomized Trials: A Simulation Study

    by Jale Basten, Katja Ickstadt, Nina Timmesfeld

    Background: Stepped wedge cluster randomized trials (SW-CRTs) involve sequential measurements within clusters over time. Initially, all clusters start in the control condition before crossing over to the intervention on a staggered schedule. In cohort designs, secular trends, cluster-level changes, and individual-level changes (e.g., aging) must be considered. Methods: We performed a Monte Carlo simulation to analyze the influence of different time effects on the estimation of the intervention effect in cohort SW-CRTs. We compared four linear mixed models with different adjustment strategies, all including random intercepts for clustering and repeated measurements. We recorded the estimated fixed intervention effects and their corresponding model-based standard errors, derived from models both without and with cluster-robust variance estimators (CRVEs). Results: Models incorporating fixed categorical time effects, a fixed intervention effect, and two random intercepts provided unbiased estimates of the intervention effect in both closed and open cohort SW-CRTs. Fixed categorical time effects captured temporal cohort changes, while random individual effects accounted for baseline differences. However, these differences can cause large, non-normally distributed random individual effects. CRVEs provide reliable standard errors for the intervention effect, controlling the Type I error rate. Conclusions: Our simulation study is the first to assess individual-level changes over time in cohort SW-CRTs. Linear mixed models incorporating fixed categorical time effects and random cluster and individual effects yield unbiased intervention effect estimates. However, cluster-robust variance estimation is necessary when time-varying independent variables exhibit nonlinear effects. We recommend always using CRVEs.

  • Open Access

    Daten, Künstliche Intelligenz und Evidenz – neue Anforderungen an die Statistikausbildung an Hochschulen

    by Ursula Berger, Florian Ertz, Thomas Hotz, Sarah Huber, Katja Ickstadt, Karsten Lübke, Ralf Münnich, Katharina Schüller, Thomas Skill, Claus Weihs, et al.

    Zusammenfassung: Im Zeitalter von Big Data, Digital Data Generation, Data Science, Machine Learning und KI werden neue Kompetenzen bei der Verwendung und Analyse von Daten zur Evidenzgenerierung benötigt. Es stellt sich die Frage, ob die statistische Ausbildung deutscher Hochschulen für diese neuen Herausforderungen gerüstet ist, oder inwieweit sie neu ausgerichtet werden muss. Empirische Entscheidungsfindung gewinnt zunehmend an Bedeutung und so setzen sich immer mehr Disziplinen mit Daten und den Erkenntnissen, die sich aus ihnen gewinnen lassen, auseinander. Dies erfordert die Fähigkeiten, mit diesen Daten verantwortungsbewusst umzugehen, ihre Herkunft und Qualität zu verstehen, mit geeigneten statistischen Methoden aus ihnen zu lernen sowie Resultate und Limitationen transparent und fair zu kommunizieren. Daher ist es notwendig, dass diese Kompetenzen in die Hochschulausbildung der jeweiligen Disziplin integriert werden und sie im Sinne einer modernen Datenwissenschaft vermittelt werden. Dieser Beitrag formuliert Thesen zur Gestaltung einer zeitgemäßen Statistikausbildung. Im Mittelpunkt stehen die Vermittlung von Data & Statistical Literacy als unverzichtbare Grundlage für AI Literacy, Qualität von Daten und Analysen sowie methodischer und technischer Kompetenzen. Hierbei wird die zentrale Rolle der Statistik als Wissenschaftsdisziplin aufgezeigt, deren Ausbildung den neuen Anforderungen Rechnung tragen muss.


  • Open Access

    Socio-spatial characterization of sub-sewersheds for wastewater-based epidemiology (WBE): Developing and evaluating two estimators for population-related variables

    by Yassine Talleb, Ferry Heinzelmann, Timo Haselhoff, Tina Schmidt, Issa Nafo, Susanne Moebus, Katja Ickstadt, Dennis Schmiege


  • Entwicklung innovativer Scoutingfeatures durch automatisierte Bewegungsdatenanalyse

    by Rudi Zulauf, Daniel Seebacher, Markus Schopp, Christian Gratzei, Katja Ickstadt, Manuel Stein

  • Open Access

    Beschleunigung umweltpolitischer Entscheidungen durch verlässliche Daten und effiziente statistische Methoden

    by Katja Ickstadt, Susanne Breitner-Busch, André Conrad, Andreas Diekmann, Christina Elmer, Simon Felgendreher, Roland Fried, Sarah Friedrich, Kateryna Fuks, Andreas Groll, et al.

    Zusammenfassung: Die Dringlichkeit ist gut belegt: Klimawandel, Biodiversitätskrise und diverse andere Umweltprobleme führen nicht nur zu wirtschaftlichen Schäden immer größeren Ausmaßes – auch die Bevölkerung ist von den Auswirkungen auf die Gesundheit und den Lebensraum direkt betroffen. Klare Entscheidungen und wirksame Maßnahmen sind unmittelbar erforderlich. Jedoch sind die Wirkungszusammenhänge oftmals global, komplex und schwer nachzuweisen und daher Wirkungen von Maßnahmen nur mit großer Unsicherheit zu prognostizieren. Öffentliche Debatten und politische Akteure benötigen daher mehr denn je belastbare Daten und verlässliche Methoden. Nur so lässt sich verwirklichen, was notwendig ist. Dieser Artikel beschreibt den aktuellen Wissensstand und zentrale Methoden in fünf wesentlichen Bereichen der Umweltstatistik. Wie lassen sich die Leistungen der Ökosysteme für den Menschen quantifizieren? Wie wirken Umweltfaktoren auf die Gesundheit? Was beeinflusst die Akzeptanz von Umweltmaßnahmen? Wie lassen sich Wege zur Eindämmung des Klimawandels evidenzbasiert entwickeln und bewerten? Und welche Daten müssen für die genannten Fragestellungen erhoben und verknüpft werden? Mit Expertisen aus unterschiedlichen Fachgebieten der Umweltstatistik wie Umweltepidemiologie, Umwelthandeln, Ökosysteme und Klimawandel liefert dieser Beitrag den wissenschaftlichen Kontext für aktuelle Entwicklungen und drängende Entscheidungen. Relevante Evidenz für den öffentlichen Diskurs und die politische Meinungsbildung basiert dabei auf verlässlichen Daten und effizienten statistischen Methoden. Hier werden durchaus Bedarfe und Potenzial für Verbesserungen gesehen. Drei Forderungen an die Politik kondensieren daher schließlich dringende Bedarfe, die sich aus der umweltstatistischen Forschung ergeben und nur mithilfe staatlicher Regelungen umgesetzt werden können.


  • Open Access

    Joint Models in Big Data: Simulation-Based Guidelines for Required Data Quality in Longitudinal Electronic Health Records

    by Berit Hunsdieck, Christian Bender, Katja Ickstadt, Johanna Mielke

    Background: Over the past decade an increase in usage of electronic health data (EHR) by office-based physicians and hospitals has been reported. However, these data types come with challenge regarding completeness and data quality and it is, especially for more complex models, unclear how these characteristics influence the performance. Methods: In this paper, we focus on joint models which combines longitudinal modelling with survival modelling to incorporate all available information. The aim of this paper is to establish simulation-based guidelines for the necessary quality of longitudinal EHR data so that joint models perform better than cox models. We conducted an extensive simulation study by systematically and transparently varying different characteristics of data quality, e.g., measurement frequency, noise, and heterogeneity between patients. We apply the joint models and evaluate their performance relative to traditional Cox survival modelling techniques. Results: Key findings suggest that biomarker changes before disease onset must be consistent within similar patient groups. With increasing noise and a higher measurement density, the joint model surpasses the traditional Cox regression model in terms of model performance.We illustrate the usefulness and limitations of the guidelines with two real-world examples, namely the influence of serum bilirubin on primary biliary liver cirrhosis and the influence of the estimated glomerular filtration rate on chronic kidney disease.