Biowissenschaften und Medizin

Künstliche Intelligenz spielt eine wegweisende Rolle in der Medizininformatik, den Lebenswissenschaften und der Medizin, insbesondere bei der Verarbeitung und Analyse umfangreicher Datensätze. KI-Technologien wie Algorithmen des maschinellen Lernens können riesige Mengen medizinischer Daten schnell analysieren, darunter elektronische Patientenakten (EHR), genetische Informationen, Biosignale und von Patient:innen generierte Daten. An dieser Stelle kann KI dabei helfen, Muster und Erkenntnisse zu identifizieren, die bei einer menschlichen Analyse möglicherweise übersehen würden, was zu verbesserten Diagnosewerkzeugen, personalisierter Medizin und besseren Behandlungsergebnissen für Patient:innen führt. Wir sind bestrebt, aktuelle KI-Modelle näher an die klinische Praxis heranzuführen und die Infrastruktur von morgen bereitzustellen, um Interoperabilitätsstandards zu setzen, die KI-Analysen großer klinischer Datensätze ermöglichen.

Forschungsschwerpunkt

Synthetische tabellarische Daten für künstliche klinische Studien

Bei synthetischen tabellarischen Daten für künstliche klinische Studien werden realistische, aber künstliche Datensätze erstellt, die reale Daten aus klinischen Studien genau nachbilden. Dieser Ansatz nutzt KI-Algorithmen, insbesondere generative Modelle (z. B. CTAB-GAN, NFlow) oder Transformer-Modelle, um Daten zu generieren, die in ihrer Struktur und ihren statistischen Eigenschaften tatsächlichen Patient:inneninformationen ähneln. Diese synthetischen Daten tragen dazu bei, Datenschutzbedenken und Probleme bei der Datenverfügbarkeit zu überwinden, und verbessern unter anderem die Untersuchung fehlender Kontrollgruppen und alternativer Studienkohorten. Außerdem ermöglichen sie es Forschenden, Hypothesen unabhängig zu testen, Modelle zu validieren und Ergebnisse zu simulieren, ohne auf tatsächliche Patient:innendaten zurückgreifen zu müssen, wodurch die Forschung beschleunigt und gleichzeitig die Vertraulichkeit der Patient:innendaten gewahrt wird.

Biomarker-Vorhersagen auf der Grundlage genomischer Sequenzierungsdaten

Die Biomarker-Vorhersage mithilfe von KI-Algorithmen nutzt die komplexen Muster in genomischen Sequenzierungsdaten. Diese fortschrittlichen KI-Modelle, die beispielsweise auf GAN- oder Transformer-Architekturen basieren, können potenzielle Biomarker identifizieren, indem sie komplexe genomische Sequenzen und deren Zusammenhänge mit verschiedenen Krankheiten oder therapeutischen Reaktionen erlernen. Wir wenden diese Konzepte derzeit in unserer klinischen Anwendung bei Lungenkrebspatienten an und untersuchen vor allem weitreichende Abhängigkeiten in genetischen Sequenzen sowie große DNA-Translokationen. Diese Ansätze könnten neue Wege in der Präzisionsmedizin eröffnen und Einblicke in Krebsmechanismen im Allgemeinen sowie in individuelle Strategien zur Entwicklung von Medikamenten gegen Lungenkrebs bieten.

Biosignalverarbeitung für die Schlafforschung

Wir entwickeln KI-Modelle zur automatisierten Schlafauswertung anhand von Biosignalen wie Elektroenzephalogrammen und Elektrokardiogrammen. Unser Ziel ist es, mühsame manuelle Auswertungsaufgaben im klinischen Alltag zu entlasten, indem wir KI-Modelle trainieren, die diese Aufgaben übernehmen. Außerdem untersuchen wir die Grenzen von KI-Auswertungsalgorithmen, um zu verstehen, in welchen Bereichen der Einsatz von KI sicher ist. Darüber hinaus nutzen wir KI, um neurologische Forschungsfragen zu verschiedenen Schlafzuständen zu beantworten. Außerdem untersuchen wir, in welchen Bereichen KI die Komplexität von Messaufbauten verringern kann, indem sie die Analyse von Informationen aus vereinfachten Messsystemen, wie beispielsweise Wearables, verbessert. Dieses KI-Wissen und diese Methoden werden wir auch auf die Beurteilung der Anästhesie anhand von Biosignalen übertragen.

Standardisierung klinischer Daten für KI-Anwendungen

Unsere Bemühungen zur Standardisierung klinischer Daten für KI-Anwendungen umfassen die Harmonisierung unterschiedlicher Datensätze in ein einheitliches Format, um deren Nutzen in KI-gestützten Projekten im Gesundheitswesen zu steigern. Das Common Data Model (CDM) der Observational Medical Outcomes Partnership (OMOP) sowie Tools der Initiative „Observational Health Data Sciences and Informatics“ (OHDSI), wie beispielsweise „Patient-Level Prediction“ (PLP) und die „Health Analytics Data-to-Evidence Suite“ (HADES), spielen in diesem Prozess eine zentrale Rolle. Diese Tools und Modelle erleichtern die Umwandlung unterschiedlicher klinischer Datensätze in eine standardisierte Struktur und ermöglichen so eine effiziente Datenanalyse, Interoperabilität zwischen verschiedenen Gesundheitssystemen sowie eine robustere Entwicklung von KI-Modellen. Diese Standardisierung ist eine wesentliche Grundlage, um das volle Potenzial der KI in der Gesundheitsanalytik und -forschung auszuschöpfen.

Zielsetzungen

Im Forschungsbereich „Biowissenschaften und Medizin“ umfassen unsere strategischen Ziele den Einsatz von KI zur verbesserten Datenanalyse, um letztendlich die klinische Entscheidungsfindung zu optimieren. Dies geht einher mit dem Einsatz von KI in verschiedenen Bereichen, die von der Vorhersage genetischer Biomarker bis hin zur Förderung der personalisierten Medizin und der Ermöglichung einer frühzeitigen Krankheitserkennung reichen. Ein grundlegender Aspekt dieser Ziele ist die Standardisierung und Harmonisierung klinischer Daten unter Verwendung von Standardformaten wie […], um Kompatibilität und Zuverlässigkeit bei KI-Anwendungen zu gewährleisten. Die Ausweitung dieser KI-Methoden auf weitere medizinische Bereiche wie die Anästhesiebewertung, Lungenkrebs oder akute myeloische Leukämie verdeutlicht zudem das Engagement für die Integration fortschrittlicher KI-Tools in die medizinische Forschung und Praxis.