Nachwuchsgruppen für die Medizininformatik

Nachwuchsgruppe "Analyse mobiler Daten zur Verlaufsüberwachung neurodegenerativer Erkrankungen" (NDEMobil)

Im Rahmen der zunehmenden Alterserwartung der Bevölkerung stellen neurodegenerative Erkrankungen (NDE) ein wachsendes Problem dar. Bereits heute sind weltweit über 40 Millionen Menschen von der Alzheimer-Demenz betroffen, der häufigsten neurodegenerativen Erkrankung. Obwohl neurodegenerative Erkrankungen als unheilbar gelten, kann der Verlauf der Erkrankungen durch frühzeitige Erkennung und Behandlung positiv beeinflusst und verlangsamt werden. Diagnostik zur Früherkennung ist jedoch häufig aufwändig und mit invasiven Eingriffen sowie hohen Kosten verbunden. Der Einsatz technologischer Lösungen beispielsweise für die Ganganalyse hat deshalb in den vergangenen Jahren aufgezeigt, wie diese Erkrankungen mit geringerem Aufwand und Kosten frühzeitig erkannt werden könnten. An diesen Entwicklungen knüpft das "NDEMobil"-Projekt an. Ziel des Projekts ist, zu erforschen, wie Daten, die von mobilen Geräten wie Smartphones und -watches erhoben werden, für die Früherkennung und Verlaufsüberwachung neurodegenerativer Erkrankungen eingesetzt werden können. Mit Fokus auf sicherer und möglichst sparsamer Datenübertragung sollen Parameter ermittelt werden, die Rückschlüsse auf Kognition, Motorik und soziale Interaktion und Integration erlauben. Diese Parameter werden unauffällig während der normalen Nutzung der Geräte erhoben. So sollen Veränderungen im Verhalten der Nutzerinnen und Nutzer identifiziert werden, die auf eine beginnende oder sich verschlechternde neurodegenerative Erkrankung hinweisen könnten. Das "NDEMobil"-Projekt verfolgt daher verschiedene Fragestellungen: Zunächst sollen mobil erfassbare Parameter identifiziert werden. Diese werden in einer mobilen App implementiert, über welche in einer Beobachtungsstudie Daten von erkrankten und gesunden Nutzerinnen und Nutzern erhoben werden. Basierend auf diesen Ergebnissen werden geeignete digitale Biomarker ausgewählt und in einer interventionellen Studie überprüft und ausgewertet.

Nachwuchsgruppe "Medical Data eXploration" (MeDaX)

Nachwuchsgruppe "Medizininformatik für Ganzheitliche Disease Models in der personalisierten und präventiven Medizin" (MIDorAI)

Die im Rahmen der Medizininformatik-Initiative erschlossenen Versorgungsdaten sollen zur Generierung von multimodalen Krankheitsmodellen mit Hilfe von Machine-Learning-Verfahren eingesetzt werden, die Erkrankungen über den gesamten Weg des Patienten erschließen. Die Krankheitsmodelle sollen als Grundlage für die Generierung synthetischer Patientendatensätze, für Entscheidungsunterstützung und für die Qualitätssicherung von Machine-Learning-Algorithmen eingesetzt werden. Die Nachwuchsgruppe soll hierzu die Themenbereiche Extraktion strukturierter Daten aus unstrukturierten Versorgungsdaten (Befunde, Bilddaten), Datenqualität und Eignung von Versorgungsdaten für Machine-Learning-Zwecke sowie die interoperable Bereitstellung von Krankheitsmodellen auf Basis der FAIR Guiding Principles bearbeiten.

Nachwuchsgruppe "Interoperable und Erklärbare Klinische Entscheidungsunterstützung" (iXplain_CDS)

Der Fokus der Nachwuchsgruppe liegt auf der Entwicklung von Methoden und Systemen für die Unterstützung von Ärztinnen und Ärzten bei der klinischen Entscheidungsfindung in Diagnose und Therapie. Schwerpunkte sind hierbei das nahtlose Zusammenwirken der Systeme mit etablierten Medizinischen Informationssystemen, um klinische Daten effizient und verwertbar auszutauschen (Interoperabilität) sowie transparente Algorithmen der Entscheidungsunterstützung, deren Empfehlungen für Ärztinnen und Ärzte nachvollziehbar sind (Erklärbarkeit). Ziel ist es, in Zusammenarbeit mit dem HiGHmed-Konsortium an Methoden zu forschen, um hochdimensionale, uneinheitliche, patientenbezogene große Datensätze zur Unterstützung in der klinischen Entscheidungsfindung zu nutzen. Vor dem Hintergrund der zunehmenden Verfügbarkeit solcher – leider oft verteilt in vielen unterschiedlichen Systemen gespeicherten – klinischen Daten sowie nicht-klinischen Datenbeständen, z. B. patientengenerierten Daten aus Sensoren/Apps, besteht wachsender Bedarf an interoperablen Systemen zur Entscheidungsunterstützung. In zunehmendem Maße enthalten Entscheidungsunterstützungssysteme KI (Künstliche Intelligenz)-Komponenten. Das Vertrauen in solche Komponenten ist jedoch stark von der Erklärbarkeit und Interpretierbarkeit der zugrundeliegenden Modelle und der berechneten Empfehlungen abhängig. Die Visualisierung von Daten, Modellen, Entscheidungsfindungsprozessen und Empfehlungen leistet hier einen maßgeblichen Beitrag zur Erhöhung der Akzeptanz durch die Ärzteschaft. Neben der Anwendung profitiert auch die Entwicklung von Modellen stark von einer visuellen Unterstützung. Ziel der Gruppe ist es daher, an Methoden zu forschen, welche unter Einbringung von medizinischem Expertenwissen und auf Basis von wachsenden komplexen Datensätzen dynamische Modelle zur Unterstützung der klinischen Entscheidungsfindung generieren.

Nachwuchsgruppe "Klinische Textanalytik: Methoden für NLP an deutschen Texten" (DE.xt)

Natural language processing (NLP) ist von großer Relevanz für die Verarbeitung von Informationen aus klinischen Systemen und über den Gesundheitszustand von Patientinnen und Patienten. NLP ist ein Baustein klinischer Informationssysteme der Zukunft, auf deren Basis es möglich sein wird, aus klinischen Texten Informationen zu extrahieren. Diese werden mittelfristig für weitere Anwendungen wie vertiefte Analysen mit Methoden der künstlichen Intelligenz, z. B. für Entscheidungsunterstützungssysteme, genutzt werden können. Die Nachwuchsgruppe "DE.xt" antwortet mit diesem Ansatz auf den in Deutschland großen Bedarf an Methoden und Ressourcen für NLP in nicht-englischen Sprachen. Durch die Einbettung in den Rahmen der Medizininformatik-Initiative und das DIFUTURE-Konsortium können Technologien und Ergebnisse kurzfristig an andere Standorte transferiert und dort ebenfalls genutzt werden.

Nachwuchsgruppe "Vorhersage von Sepsis auf Basis von Mikrobiomsequenzdaten" (MicrobiomSepsisPred)

Das Ziel dieser Nachwuchsgruppe ist es, durch die Analyse neuartiger Patientendaten eine noch frühere Vorhersage der Sepsis zu ermöglichen. Fünf Ziele sollen erreicht werden: 1. ein Künstliche-Intelligenz (KI)-Modell auf Basis von Genomsequenzdaten, gewonnen aus patienteneigenen Mikroorganismen, zur frühzeitigen Vorhersage von Sepsis; 2. eine Liste von biologischen Indikatoren (Biomarkern), die eine entstehende Sepsis vorhersagen; 3. eine Sammlung von Genomen pathogener Mikroorganismen von septischen Patienten; 4. Vorhersagen für und Werkzeuge zur Vorhersage von Resistenzen gegen Antibiotika, basierend auf den Informationen, die aus diesen Mikroorganismus-Genomen gewonnen werden; 5. eine Ressource für elektronische Krankenakten, um die neuen Erkenntnisse in klinische Entscheidungsfindungssysteme einzubringen.

Während das Modell eine Vorhersage auf der Basis relativ komplexer mikrobieller Genomdaten ermöglichen soll, besteht die Hoffnung, mit Hilfe von Biomarkern zusätzlich wesentlich schnellere Methoden zu ermöglichen (z. B. durch "bed-side"-Genomsequenzierung in Kombination mit extrem schneller, biomarkerspezifischer Bioinformatik). Weitere Informationen für diese Biomarker stammen aus den entwickelten Erregergenomen und vorhergesagten Antibiotikaresistenzen. Die gewonnenen Informationen werden mittels neu zu definierender Datenschnittstellen (Fast Healthcare Interoperability Resources, FHIR) für klinische Entscheidungssysteme (sog. Clinical Decision Support Systems) bereitgestellt.

Nachwuchsgruppe "Interaktive Erzeugung und Simulation von prognostischen, personalisierten digitalen Patientenmodellen" (ProModell)

Nachwuchsgruppe "Entwicklungen von klinisch-orientierten Entscheidungsunterstützungen für Hochdurchsatzdaten in der personalisierten Medizin" (EkoEstMed)

Ehrgeizige Initiativen wie die Medizininformatik-Initiative unterstützen in Deutschland aktiv die biomedizinische Forschung zur Verbesserung der individualisierten Patientenversorgung. Sie setzt dabei stark auf die ständig wachsende Menge gesundheitsbezogener Daten und die sich ständig weiterentwickelnden Technologien. Aufgrund fehlender Analysemethoden sowie fehlender Standardisierungs- und Harmonisierungs-Prozesse werden allerdings nur ein Teil der existierenden Daten für die klinische Empfehlung herangezogen. Somit ist das Ziel dieser Nachwuchsgruppe, die komplexen Daten durch die Entwicklung von innovativen Methoden, wie z. B. Algorithmen beim maschinellen Lernen (Künstliche Intelligenz), und Analyse-Prozessen in einer verständlichen Form aufzubereiten und darzustellen und diese zugleich für eine effiziente und verwertbare Art und Weise für den Austausch bereitzustellen. Darüber hinaus werden effiziente IT-Infrastrukturen als auch die Entwicklung neuartiger Visualisierungsstandards geschaffen, um die Umsetzung und Anwendung in der Klinik zu gewährleisten. Mit diesem Vorhaben werden nicht nur die Prozesse der personalisierten Medizin im lokalen klinischen Umfeld, sondern auch das MIRACUM-Konsortium und die MII insgesamt an den verschiedensten Standorten vorangetrieben.

Nachwuchsgruppe "FAIRe und Reliable Analysestrukturen in Medizinischen Datenintegrationszentren" (FAIRRMedDIC)

Die Medizininformatik-Initiative betrat mit der Idee, möglichst flächendeckend Datenintegrationszentren aufzubauen, in Deutschland Neuland. Mit den neuen Analyse- und Behandlungsmethoden der personalisierten, z. B. molekularen Medizin steigen sowohl die Komplexität als auch das Datenvolumen rasant. Vor diesem Hintergrund sollen die bisherigen Ansätze analysiert und neue Konzepte zur Datenhaltung und mulitdimensionalen Analyse unter Einhaltung der FAIR (Findable, Accessible, Interoperable, Re-usable)-Prinzipien entwickelt sowie um den Aspekt "Reliable" erweitert werden. Mithilfe dieser Erweiterung sollen die Datenbasen zuverlässiger und validierbar werden. Voraussetzung hierfür ist, dass die Daten vor ungeplanten Zugriffen geschützt und Änderungen stets nachvollziehbar dokumentiert werden. Hierzu soll die Anwendung von Methoden der Blockchain-Technologien auf medizinische Daten in einem Datenintegrationszentrum untersucht werden. In diesem Zusammenhang wird auch die Qualität der erfassten Daten und Metadaten analysiert und bewertet werden. Nichtzuletzt soll innerhalb des Forschungsvorhabens auch der bisher im Kontext der Datenintegrationszentren ungeklärten Frage nachgegangen werden, ab welchem Umfang medizinischer Daten eine Person re-identifizierbar ist.

Nachwuchsgruppe "Datenschutz medizinisch relevanter Daten und datenschutzbewusstes Training von Modellen des maschinellen Lernens auf medizinischen Daten" (MDPPML)

Das Vorhaben will den Austausch und die Nutzung klinischer und Omik-Daten in einem Verband von medizinischen Einrichtungen, Krankenhäusern und Forschungslabors auf skalierbare, sichere, verantwortungsvolle und datenschutzbewusste Weise ermöglichen. Es wird versucht, die wichtigsten Herausforderungen in Bezug auf Skalierbarkeit, Datenschutz, Sicherheit und Ethik beim Datenaustausch zu bewältigen, um eine effektive P4-Medizin zu ermöglichen. Um das volle Potenzial aller Messdaten nutzen zu können, müssen sie mit den klinischen Daten verknüpft werden. Die Datenintegrationszentren der Medizininformatik-Initiative stellen hierfür eine sehr gute Grundlage für einfache Analysen dar, z. B. mit Hilfe von Data Shield. Viele komplexe KI-Methoden des maschinellen Lernens können bisher aber entweder gar nicht oder nur mit Approximationen verwendet werden. Die Forschung der Nachwuchsgruppe wird sich daher mit der Entwicklung von Methoden beschäftigen, die diese komplexeren Analysen unter Einhaltung der Datensicherheit ermöglichen und dann für den Personal Health Train, der im Rahmen von DIFUTURE entwickelt wird, verfügbar machen, was auch den interkonsortialen Use Cases wie CORD und POLAR zugutekommen wird.

Nachwuchsgruppe "Integration & Analyse von multimodalen Sensorsignalen zur Erforschung von neurologischen Bewegungsstörungen" (MoveGroup)

Die Nachwuchsforschungsgruppe "MoveGroup" konzipiert und evaluiert eine multimodale Sensorplattform zum Monitoring und zur Analyse von motorischen, kognitiven und sensorischen Fähigkeiten. Dabei werden Identifikations- und Fusionsalgorithmen zur multimodalen Messung funktionaler Fähigkeiten mittels körpernaher und ambienter Sensorik für ein verbessertes Verständnis von normalem Altern bzw. anormalen individuellen Verläufen prototypisch umgesetzt und mit relevanten Kohorten evaluiert.

Für eine erfolgreiche Datenintegration und -nutzbarmachung entsprechender Monitoringdaten in klinischen Dokumentations-, Diagnose- und Therapieprozessen ist eine Datenharmonisierung erforderlich, orientiert an vereinbarten Strukturstandards (z.B. openEHR, HL7 FHIR) und Semantikstandards (z.B. SNOMED CT, WHO ICF). Zur Erarbeitung und Nutzung von relevanten sensorbasierten Bewegungsmodellen und -profilen für Versorgungs- und Forschungsprozesse strebt die Nachwuchsgruppe die Spezifikation und prototypische Umsetzung entsprechender Modelle und Profile an. Je nach Fragestellung bzw. Krankheitsbild werden weitere erforderliche Probanden- bzw. Patientendaten integriert, jeweils unter Wahrung datenschutzrechtlicher und ethischer Regularien. Dabei konzipiert, implementiert und evaluiert die "MoveGroup" neue Verfahren der Integration und Analyse von multimodalen Sensorsignalen und klinischen Daten zur Diagnostik und Erforschung von Bewegungsstörungen. Das Vorhaben verfolgt drei Hauptziele:

• Ziel 1: Sensorbasierte Erfassung, Modellierung von Körperbewegungen
• Ziel 2: HiGHmed-konforme Datenintegration und -nutzbarmachung
• Ziel 3: Entscheidungsunterstützung und Erkenntnisgewinn mit KI-Methoden

Mehr Informationen auf der HiGHmed-Webseite

Nachwuchsgruppe "KI-gestützte morphomolekulare Präzisions-Medizin in Neuroonkologie" (AI-RON)

Hirntumore gehören zu den tödlichsten Krebsarten mit wenigen derzeit verfügbaren Therapieoptionen und stellen die zweithäufigste Krebserkrankung bei Kindern dar. In den letzten Jahren hat sich ihr Behandlungsschema durch den Einsatz molekularer Marker mit prognostischer oder prädiktiver Bedeutung zunehmend individualisiert. Mit der Nachwuchsgruppe "AI-RON" soll die nächste Ära der morphomolekularen Diagnostik eingeleitet werden, indem KI-basierte medizininformatische Pipelines entwickelt werden, welche die Diagnose von Hirntumoren in Qualität und Geschwindigkeit verbessern sowie Therapieansätze personalisieren und effizienter ausrichten sollen. Ziel der Nachwuchsgruppe wird es sein, im Rahmen der Medizininformatik-Initiative eine KI-basierte Präzisionsanalyse von digitalisierten histopathologischen Gewebeschnitten in Kombination mit hochdimensionalen Omics-Daten und klinischen Metadaten zur Klassifizierung und prognostischen Vorhersagbarkeit von Hirntumoren zu entwickeln.

Im Rahmen des Gießener Use Case 2 "Neuroonkologie" des MIRACUM-Konsortiums kann auf einen großen Datenpool der beteiligten Standorte zugegriffen werden und aggregierte morphomolekulare und klinische Daten standortübergreifend ausgewertet werden. Die entwickelten Algorithmen werden sich auf die Integration weiterer hochdimensionaler Daten wie Radiomics und anderer Tumorarten ausweiten lassen. Die Nachwuchsgruppe wird damit einen wichtigen Beitrag leisten, das Themenfeld der Medizininformatik-Initiative im wichtigen Bereich KI in der Gesundheitsforschung und -versorgung zu stärken, indem sie KI-gestützte Diagnoseverfahren in der pathologischen Routinearbeit voranbringt.

Nachwuchsgruppe "Entwicklung eines Terminologie- und Ontologie-basierten Phänotypisierungsframeworks" (TOP)

Das Ziel des Vorhabens ist die Entwicklung und Anwendung eines Ontologie-basierten Rahmenwerks für komplexe Patienten-Phänotypen (TOP Framework). Das Vorhaben baut auf den in den Datenintegrationszentren der Medizininformatik-Initiative verfügbaren strukturierten medizinischen Daten auf. Das Konzept wird entlang der Use Cases des SMITH-Konsortiums entwickelt. Es bleibt aber nicht auf diese beschränkt und soll später für viele Use Cases der MII-Konsortien sowie vergleichbare Projekte im medizinischen Bereich anwendbar sein.

Das Framework wird medizinische bzw. klinische Experten (medizinisches Personal, Biometriker, Studienassistenten, Statistiker, etc.) dabei unterstützen, die für weiterführende Analysen bzw. Studien relevanten Patienten und Probanden effizient zu identifizieren. Es ermöglicht, die für diese Personengruppe relevanten Daten am Datenintegrationszentrum zu selektieren und für nachfolgende Schritte bereitzustellen.

Nachwuchsgruppe "Nutzenoptimierung und Verfügbarkeitserhöhung von Gesundheitsdaten" (BENEFIT)

Durch die Medizininformatik-Initiative sind Daten aus Universitätskliniken in Datenintegrationszentren vorhanden und miteinander vernetzt anfragbar. Ziel des Projektes BENEFIT ist es, Konzepte und Methoden zu entwickeln, die die zukünftige Nutzung dieser Daten in Forschung und Versorgung unterstützen. Hierfür betrachtet das Projekt, welche späteren Nutzer welche Aufgaben mit den Daten durchführen wollen.

Aus diesen Arbeiten lassen sich prinzipielle Businessmodelle ableiten, die Datenbesitzer auf der universitären Seite verstärkt von den Vorteilen einer Datenbereitstellung überzeugen sollen.

Nachwuchsgruppe "Integrating Multimedia-Objects and PACS Environments into Universal Knowledge Management Systems" (IMPETUS)

Bildgebenden Verfahren kommt in der heutigen Medizin eine entscheidende Bedeutung in der Krankenversorgung und Forschung zu. Aber nur die Daten bestimmter Methoden (z. B. MRT, CT, Ultraschall) oder klinischer Bereiche (z. B. Radiologie, Kardiologie) werden in zentralen DICOM-PACS (Digital Imaging and Communications in Medicine, Picture Archiving and Communication System) abgelegt. Der größte Teil wird  nicht in einem IT-System gespeichert oder liegt nur in Abteilungs- und Spezialsystemen und dann meist in Non-DICOM-Formaten vor. Hinzu kommen andere Multimediaobjekte wie Kurvendarstellungen (z. B. EKG, EEG) oder Audiodateien (z. B. HNO, Neurologie), aber auch Multimediabefunde, die sowohl Bilder als auch Textteile enthalten.

Ziel des Vorhabens ist, das im UKSH im Rahmen des HiGHmed-Projektes aufgebaute MeDIC (Medical Data Integration Center) dahingehend zu erweitern, dass die Integration und Nutzung aller Multimediaobjekte und -befunde möglich ist, unabhänig davon, in welchem Format diese vorliegen.

Nachwuchsgruppe "Modulare Wissens- und Daten-getriebene Molekulare Tumorkonferenz" (MoMoTuBo)

Im Molekularen Tumorboard (MTB) werden basierend auf einer Reihe verschiedener Datentypen (klinische Daten, radiologische Daten, histopathologische Daten, genomische Daten, Genexpressionsdaten, gegebenenfalls weitere Hochdurchsatzdaten) Therapieentscheidungen für Krebspatienten getroffen. Dazu werden mittels bioinformatischer Methoden bestimmte Features (z.B. bestimmte Mutationen oder Genexpressionsmuster) priorisiert. Basierend darauf werden dann durch (häufig manuell ausgeführte) Datenbankrecherchen Therapievorschläge erarbeitet und interdisziplinär diskutiert. Unklar ist jedoch, wie fortschreitendes Wissen und Daten aus externen Quellen in einem standardgetriebenen Prozess in die Arbeit der molekularen Tumorkonferenz integriert werden können. Auch gibt es keine systematische Erfassung früherer Patienten und Empfehlungen, die es ermöglichen würden, aktuelle Patienten mit ähnlichen früheren Patienten zu vergleichen. Um auf große Fallzahlen zurückgreifen zu können, sollte eine Vernetzung mit den Molekularen Tumorboards anderer Standorte erreicht werden.

Ziele:

1. Die Konzeptionierung einer modular aufgebauten Plattform für das MTB, bei dem Reproduzierbarkeit, Dokumentation und Update-Mechanismen entlang des Prozesses verwirklicht werden.
2. Die Erstellung eines Konzepts zur Anbindung der klinischen Routine und der Forschungsdaten.
3. Die verstärkte Automatisierung der Datenintegration und die Aufarbeitung unter Einbeziehung externen Wissens.
4. Die Entwicklung von Machine-Learning-Verfahren für die Analyse im Rahmen des MTB. Hierunter fällt beispielsweise die Nutzung von unstrukturiertem Wissen (z. B. Arztbriefe), die Generierung komplexer Signaturen zur Modellierung von Therapieansprechen sowie die Identifikation ähnlicher Patienten.
5. Die Implementierung eines Prototyps und quelloffene Software für eine modulare reproduzierbare Software-Plattform für das MTB.

Nachwuchsgruppe "Implementierung von Smart-Contract-Technologien zur Analyse-Föderierung in der Intensivmedizin" (SAFICU)

Die Nachwuchsgruppe SAFICU arbeitet daran, dezentrale und gesicherte Algorithmen für eine klinische Entscheidungsunterstützung zu entwickeln. Nach Abschluss des Entwicklungsprozesses werden die Algorithmen anhand zweier intensivmedizinischer Anwendungsfälle (Blut-Transfusions­mana­gement für Intensivpatienten und Optimierung der Beatmungsstrategien von Covid-19-Patienten) validiert. Dabei wird auf ein international anerkanntes und in DIFUTURE bereits eingesetztes Datenformat (OMOP CDM) aufgesetzt. Außerdem werden die in DIFUTURE bereits geschaffenen Infrastrukturen erweitert.

Nachwuchsgruppe "Digitale Bildanalytik" (HiGHDiBi)

Das Ziel dieses Vorhabens ist die Einrichtung einer Nachwuchsgruppe im Bereich digitale Bildanalytik. Die Nachwuchsgruppe soll hochdimensionale Bildinformationen von Geweben erfassen und auswerten. Dafür wird sie auch rechnergestützte Methoden zur Untersuchung räumlich verteilter biomedizinischer Daten entwickeln. Damit stärkt die Gruppe den Standort Heidelberg und das HiGHmed-Konsortium.

Die Nachwuchsgruppe wird am Institut für Computational Biomedicine angesiedelt und mit der Gruppe von Prof. Saez-Rodriguez sowie mit anderen Partnern des HiGHmed-Konsortiums, insbesondere dem Institut für Pathologie, zusammenarbeiten. Der Schwerpunkt wird zunächst auf dem Anwendungsfall Onkologie liegen.

Nachwuchsgruppe "Prädiktive Analyse und datengetriebene künstliche Intelligenz zur logistischen Unterstützung von Versorgungsprozessen" (KI-LoV)

Die Etablierung der Nachwuchsgruppe zielt darauf, die Patientenversorgung durch Anwendungen künstlicher Intelligenz zu verbessern, indem die Bedarfsplanung und die Strukturierung von Prozessen durch genauere Bedarfsvorhersage und Simulationen klinischer Abläufe unterstützt wird. Dazu werden Verfahren maschinellen Lernens aus Versorgungsdaten mit Methoden der mathematischen Optimierung und Simulation kombiniert. Die Entwicklung, Nutzung und vergleichende Bewertung von Deep Learning zur Analyse und Fortschreibung unvollständiger multivariater Zeitreihen aus klinischen Versorgungsprozessen stehen dabei im Fokus.

Eine unverzichtbare Voraussetzung des Vorhabens ist es, dass Daten aus der Patientenversorgung in die genannten Verfahren einfließen können. Dazu entwickelt die Nachwuchsgruppe in enger Zusammenarbeit mit dem lokalen Datenintegrationszentrum Ansätze zur Gewinnung, Zusammenführung und Qualitätssicherung anonymer Trainings- und Testdaten. Die Nachwuchsgruppe wird für ausgewählte Aufgaben einsatzfähige Prototypen entwickeln und bewerten, bei denen eine nachgelagerte Produktentwicklung ansetzen kann. Die Ergebnisse werden eine Einschätzung möglicher Effizienzgewinne erlauben, die Routinefähigkeit und Stabilität der Verfahren bewerten und gegebenenfalls mögliche Nebeneffekte ihres Einsatzes berücksichtigen. Hierbei ist es ein besonderes Anliegen, Fehlentwicklungen vorzubeugen, die durch undurchschaubare, nicht hinterfragbare und nur einen Realitätsausschnitt bewertende Algorithmen entstehen können.

Nachwuchsgruppe "Prospektiv-nutzergerechte Gestaltung klinischer Entscheidungsunterstützungssysteme im Kontext personalisierter Medizin" (CDS2USE)

Intelligente IT-Lösungen wie Entscheidungsunterstützungssysteme können dazu beitragen, verschiedenste Daten zusammenzuführen und durch Datenanalysen und Visualisierungen die Erkennung von Krankheiten zu beschleunigen und/oder die Identifikation der optimalen Therapie zu ermöglichen. Um eine breite und nachhaltige Nutzung solch intelligenter IT-Systeme zur multidisziplinären Entscheidungsunterstützung im Kontext personalisierter Medizin in der alltäglichen Praxis sicherzustellen, ist es essenziell, diese Systeme nutzerzentriert zu gestalten, hinsichtlich der Akzeptanz des medizinischen Fachpersonals zu überprüfen und zu verbessern.

Zentrales Thema der Nachwuchsgruppe ist daher die "prospektiv-nutzergerechte Gestaltung klinischer Entscheidungsunterstützungssysteme im Kontext personalisierter Medizin." Die Ergebnisse der Forschergruppe umfassen sowohl wissenschaftliche Methoden als auch praktische Werkzeuge für Entwickler von Entscheidungsunterstützungssystemen, die dazu beitragen, die technologischen Innovationen und zukunftsweisenden Möglichkeiten, welche beispielsweise in der Medizininformatik-Initiative entwickelt werden, so zu gestalten, dass sie nutzergerecht und kontext-adaptiv sind. Dies ist eine elementare Voraussetzung dafür, dass die entwickelten Innovationen in der Arbeitspraxis zukünftig akzeptiert und verwendet werden.

Nachwuchsgruppe "Medical Health Data"

Die Mitglieder der Nachwuchsgruppe können in wenigstens drei der nachfolgenden Bereiche Fähigkeiten vorweisen: Multi-omics-Datenanalyse, Big-Data-Analyse, mathemathische Modellierung und Methoden der Künstlichen Intelligenz. Der wissenschaftliche Fokus wird sich im Bereich der translationalen Forschung, Medical Health Data bzw. der personalisierten Medizin bewegen. In diesen Bereichen wird sich die Nachwuchsgruppe hervorragend in die Forschungsarbeit am BIH - Digital Health Center der Charité- Universitätsmedizin Berlin integrieren. Die Nachwuchsgruppe wird stark von der engen Verbindung und räumlichen Nähe zwischen dem BIH als exzellentes Forschungszentrum und der Charité als eines der renommiertesten Krankenhäuser Europas profitieren.

Mehr Informationen auf der HiGHmed-Webseite