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 ggf. mögliche Seiteneffekte ihres Einsatzes berücksichtigen. Hierbei ist es ein besonderes Anliegen, Fehlentwicklungen vorzubeugen, die durch undurchschaubare, nicht hinterfragbare und nur einen Realitätsausschnitt bewertende Algorithmen entstehen können. Stattdessen zielt das Vorhaben auf Nachvollziehbarkeit und Kritikfähigkeit der verwendeten Ansätze. Besonderes Augenmerk liegt auf einer Unterstützung der Kalibrierung datengetriebener Anwendungen. Durch Kalibrierung müssen datengetriebene Verfahren der Tatsache Rechnung tragen, dass die Trainingsdaten herkunftsspezifische Besonderheiten haben (z. B. durch die Population, aus der die Daten stammen).