Medizinische Entscheidungen werden zunehmend komplexer - insbesondere bei vielschichtigen Krankheitsbildern, bei denen Ärzt:innen auf heterogene und unsichere Daten zurückgreifen müssen. Gleichzeitig eröffnet die wachsende Menge medizinischer Daten neue Möglichkeiten für KI-gestützte und datenbasierte Entscheidungsmodelle.
CAIMed erforscht innovative Methoden der Künstlichen Intelligenz und kausalen Analyse, um die klinische Entscheidungsunterstützung weiterzuentwickeln. Dabei werden neue KI-Algorithmen nicht nur theoretisch entwickelt, sondern auch in Studien evaluiert und unter realen Bedingungen in der medizinischen Praxis erprobt.
Als niedersächsisches Forschungszentrum für KI und kausale Methoden in der Medizin verbindet CAIMed führende Standorte aus KI-Forschung, datenintensiver Medizin, Medizininformatik und medizinischer Grundlagenforschung. Gemeinsam entwickeln wir Ansätze für eine präzisere, personalisierte Gesundheitsversorgung und leisten einen Beitrag zur Bewältigung zentraler Herausforderungen wie Krebs, Herz-Kreislauf-Erkrankungen und Infektionen.
Unsere Arbeitsgruppe verfolgt das übergeordnete Ziel, datengetriebene Methoden für die klinische Entscheidungsunterstützung zu entwickeln und in den Versorgungsalltag zu integrieren. Dabei stehen folgende Ziele im Fokus:
Durch die enge Vernetzung innerhalb von CAIMed sowie Kooperationen über Hannover hinaus, insbesondere mit der Medizinischen Epidemiologie der Universität Münster (Professor Andre Karch) und der Unikinderklinik mit dem Schwerpunkt Big Data in Medicine (Professor Dr. Antje Wulff), stärken wir die methodische und klinische Qualität unserer Forschung.
Vorwiegend fokussieren wir uns mit unserer Arbeitsgruppe auf drei verschiedene Use Cases, die in der Folge einmal auch noch etwas detaillierter dargestellt werden sollen:
Forschungsfragestellung:
Ziel der Arbeiten in diesem Use Case ist es durch datengetriebene Analysen, das Erkennen, Vorhersagen und das Verständnis über die Genese von einzelnen Organversagen und des MODS im Intensivverlauf von Kindern zu verbessern.
Hintergrund und Projektbeschreibung:
Die Versorgung kritisch kranker Kinder auf der Intensivstation stellt aufgrund der Heterogenität der Patient:innen, der unterschiedlichen Altersstufen sowie der Komplexität und Unvorhersehbarkeit der Krankheitsverläufe eine besondere Herausforderung dar. Schwere Verläufe können zu einem partiellen oder vollständigen Multiorgan-Dysfunktionssyndrom (MODS) führen, das maßgeblich Liege- und Beatmungsdauer, Morbidität, Mortalität sowie langfristige Komplikationen beeinflusst.
Die frühzeitige Identifikation von Prädiktoren für komplizierte Verläufe und Organversagen ist aus umfangreichen klinischen Routinedaten jedoch schwierig. Ziel dieses Projektarmes ist es daher, mithilfe eines multimodalen und interoperablen Kinderintensivdatensatzes kausale Zusammenhänge zu identifizieren, die Entstehung und Verlauf des MODS bestimmen, um eine frühere Erkennung und gezieltere Behandlung von Organdysfunktionen zu ermöglichen.
Forschungsfragestellung:
Ziel der Arbeiten in diesem Use Case ist es die durch datengetriebene Analysen und die Entwicklung von Detektions- und Prädiktionsmodellen, die nosokomiale Sepsis auf der Kinderintensivstation besser Erkennen und zuverlässig vorhersagen zu können.
Hintergrund und Projektbeschreibung:
Infektionen und daraus entstehende Sepsen stellen eine erhebliche Herausforderung in der Versorgung kritisch kranker Intensivpatient:innen aller Altersgruppen dar. Besonders die nosokomiale Sepsis beeinflusst durch das Zusammenspiel mit der Grunderkrankung wesentlich Morbidität und Mortalität. Eine frühzeitige Erkennung ist entscheidend, um eine Progression zum septischen Schock zu verhindern.
Während bekannte Risikofaktoren wie zentrale Venenkatheter oder invasive Beatmung gut beschrieben sind, sind weitere Einflussfaktoren und die Mechanismen der Entwicklung von der Infektion zur Sepsis noch unzureichend verstanden.
Mithilfe KI-basierter Prädiktionsmodelle und kausaler Methoden sollen auf Basis umfangreicher Vorarbeiten im ELISE-Projekt frühe Warnzeichen identifiziert und das Verständnis der Pathophysiologie verbessert werden. Ziel ist die Entwicklung klinischer Entscheidungsunterstützungssysteme zur frühzeitigen Sepsisprädiktion und Verbesserung des Outcomes kritisch kranker Kinder.
Forschungsfragestellung:
Ziel der Arbeiten in diesem kardiologisch orientierten Use Case ist es in verschiedenen Projektarmen, unter anderen in Zusammenarbeit mit dem Helmholtz Zentrum für Infektionsforschung (HZI), inflammationsassoziierte Probleme im Verlauf nach herzchirurgischen Eingriffen besser zu verstehen und auf Basis dieser Erkenntnisse die Therapie optimieren zu können.
Hintergrund und Projektbeschreibung:
Kardiochirurgische Eingriffe bei Kindern unter Einsatz der Herz-Lungen-Maschine (HLM) führen zu einer ausgeprägten Modulation des unreifen Immunsystems und können ein komplexes Zusammenspiel aus Inflammation und Immunparalyse verursachen. In der Folge treten bei einigen PatientInnen postoperative Infektionen und Organfunktionsstörungen auf, die Morbidität und Mortalität wesentlich beeinflussen. Die zugrunde liegenden klinischen, prozeduralen und immunologischen Mechanismen sind jedoch noch nicht vollständig verstanden.
Durch die Analyse standardisiert aufbereiteter, interoperabler klinischer Routinedaten und die Anwendung kausaler Methoden sollen Risikogruppen für postoperative Infektionen identifiziert, frühe Prädiktoren im intensivmedizinischen Verlauf nach HLM-Einsatz erkannt und datenbasierte Grundlagen für molekulare Untersuchungen (z. B. Multi-Omics-Analysen) geschaffen werden. Ziel ist ein besseres Verständnis prädisponierender Faktoren sowie die frühzeitige Erkennung von Infektionen zur Unterstützung einer individualisierten Therapie.
Sie interessieren sich für eine Zusammenarbeit oder möchten mehr erfahren? Wir freuen uns über den Austausch mit klinischen und wissenschaftlichen Partnern. Bitte nehmen Sie einfach mit PD Dr. med. habil. Thomas Jack Kontakt auf.
