Standardisierung klinischer Daten für KI-Anwendungen

Projekttitel: Standardisierung klinischer Daten für KI-Anwendungen

Projektdauer: 01.05.2022 – 31.04.2025

Forschungsbereich: Biowissenschaften und Medizin

Das Projekt „Standardisierung klinischer Daten für KI-Anwendungen“ befasst sich mit den Fortschritten und Herausforderungen im Bereich der Medizinischen Informatik. Es konzentriert sich dabei auf die Verwendung von Common Data Models (CDMs) für Gesundheitsdaten, insbesondere im Zusammenhang mit seltenen Krankheiten und Vorhersagen auf Patientenebene. Wir untersuchen die Anpassung des OMOP-CDM an spezifische medizinische Forschungsanforderungen, einschließlich der Überprüfung von Methoden zur Entwicklung von CDMs, vergleichen verschiedene Implementierungen (webbasiert und nativ) in OMOP-basierten Studien zur Vorhersage auf Patientenebene sowie in prototypischen Klassifizierungsstudien. Diese untersuchten Aspekte beleuchten die Potenziale und Grenzen aktueller Methodiken bei Standardisierungsbemühungen in der Medizinischen Informatik. Sie unterstreichen die Notwendigkeit einer kontinuierlichen Weiterentwicklung, um die Genauigkeit und Effizienz der KI-gestützten klinischen Datenanalyse und prädiktiven Modellierung zu verbessern.

Problemstellung und Ziele

Das Projekt befasst sich mit den Herausforderungen bei der Anwendung von KI-Modellen für Vorhersagen auf Patientenebene unter Verwendung standardisierter klinischer Daten im OMOP Common Data Model. Der Schwerpunkt liegt dabei insbesondere auf der Bewertung und dem Vergleich der Machbarkeit webbasierter OHDSI-Tools (wie PLP) mit nativen R-basierten Lösungen. Ziel ist es, die effektivsten Tools für die klinische Forschung zu identifizieren. Berücksichtigt werden dabei ihre Leistung, Ausführungszeit und einfache Implementierbarkeit. Damit soll Forschenden eine Orientierungshilfe bei der Auswahl optimaler Methoden für ihre medizininformatischen Projekte gegeben werden können.

Praxisbeispiel

Beispielsweise enthält unser GitHub-Repository „Benchmarking-Analysis-of-PLP-vs-MLR3“ Skripte und Kohortendefinitionen zum Vergleich der R-basierten Pakete „Patient-Level Prediction“ (PLP) und „mlr3“ unter Verwendung des SynPUF-5%-Datensatzes. Die Kohortendefinition erfolgte mithilfe der ATLAS-Plattform, wobei SQL-Dateien für die Definitionen der Zielpopulation und der Ergebniskohorte bereitgestellt wurden. Das Repository enthält Angaben zu den Voraussetzungen, wie beispielsweise das Vorhandensein einer PostgreSQL-Datenbank (oder einer beliebigen OMOP-CDM-unterstützten Datenbank) zur Speicherung und Verarbeitung des SynPUF-5%-Datensatzes. Diese Konfiguration ist für die Benchmarking-Analyse in unserer aktuellen Studie von entscheidender Bedeutung. Weitere Details finden Sie hier im Repository.

Im Rahmen des SATURN-Projekts haben wir ein gemeinsames Datenmodell (Common Data Model, CDM) entwickelt, das auf dem OMOP-Framework (Observational Medical Outcomes Partnership) basiert und speziell für seltene Erkrankungen konzipiert wurde. Dieses CDM bildet die Grundlage für ein Entscheidungshilfesystem, das Allgemeinmediziner bei der Diagnose seltener Erkrankungen mit unklaren Symptomen unterstützen soll [1].

Technologie

Wir haben aktuelle, klassische KI-Modelle eingesetzt, um exemplarisch gängige Vorhersageaufgaben auf Patientenebene zu bearbeiten. Sowohl der webbasierte als auch der native Ansatz wurden einer Benchmark-Analyse unterzogen, um die Stärken und Schwächen der verwendeten R-Pakete (z. B. PLP, mlr3) zu bewerten.

Ausblick

Die Ergebnisse dieses Projekts tragen zur weiteren Entwicklung von ML-basierten Vorhersagemodellen im klinischen Maßstab bei. Sie liefern Erkenntnisse für die zukünftige Forschung, die sich auf die Entwicklung von Vorhersagemodellen auf Patientenebene im Rahmen des OMOP-CDM-Rahmenwerks konzentriert, und verdeutlichen dabei die Kompromisse und aktuellen Einschränkungen verschiedener ML-Ansätze.

Publikationen

• How to customize Common Data Models for rare diseases: an OMOP-based implementation and lessons learned. Najia Ahmadi, Michele Zoch, Oya Guengoeze, Carlo Facchinello, Antonia Mondorf, … Markus Wolfien, Martin Sedlmayr (pre-print 2023) https://www.researchsquare.com/article/rs-3719430/v1
• Methods used in the development of Common Data Models for health data – a Scoping Review. Najia Ahmadi, Michele Zoch, Patricia Kelbert, Richard Noll, Jannik Schaaf, Markus Wolfien, Martin Sedlmayr (JMIR Medical Informatics 2023) https://medinform.jmir.org/2023/1/e45116
• A comparative patient-level prediction study in OMOP CDM demonstrates advantages for native and web-based implementations. Najia Ahmadi, Vu Quang Nguyen, Martin Sedlmayr, Markus Wolfien (Pre-print 2023)https://doi.org/10.21203/rs.3.rs-2546267/v1
• OMOP CDM Can Facilitate Data-Driven Studies for Cancer Prediction: A Systematic Review. Najia Ahmadi, Yuan Peng, Markus Wolfien, Michele Zoch, Martin Sedlmayr. (IJMS 2022) https://www.mdpi.com/1422-0067/23/19/11834

Team

Teamleitung

• Dr. Markus Wolfien

Teammitglieder

• Najia Ahmadi