Das Vorhaben konzentriert sich auf Innovationen im Bereich Sicherheit, Datenschutz und KI im medizinischen Kontext, um 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 zu 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, indem ein optimales Gleichgewicht zwischen Benutzerfreundlichkeit, Skalierbarkeit und Datenschutz definiert und geeignete Methoden entwickelt und bereitgestellt werden, um dies zu erreichen. Um das volle Potenzial aller Messdaten nutzen zu können müssen sie mit den klinischen Daten verknüpft werden. Die Datenintegrationszentren der Medizininformatikinitiative stellen hierfür eine sehr gute Grundlage für einfache Analysen, 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.

Die Bedeutung von NLP für die Verarbeitung von Informationen aus klinischen Systemen und über den Gesundheitszustand von Patienten ist hoch. Die Nachwuchsgruppe DE.xt antwortet mit dem hier vorgestellten Ansatz kurzfristig insbesondere auf den in Deutschland sehr großen Bedarf an Methoden und Ressourcen für NLP in nicht-englischen Sprachen. Die Nachwuchsgruppe kann zur Bearbeitung der wissenschaftlichen Fragestellungen sowie ihrer technischen Umsetzung auf eine Reihe von erfolgreichen Vorarbeiten im nationalen und internationalen Umfeld aufbauen und wird sich bei der Evaluation von Ergebnissen auf international anerkannte Standards und Metriken beziehen können. 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. NLP ist ein Baustein von klinischen Informationssystemen der Zukunft, auf deren Basis es möglich sein wird, aus klinischen Texten Informationen zu extrahieren, die dann mittelfristig für weitere Anwendungen wie vertiefte Analysen mit Methoden der künstlichen Intelligenz, z. B. für Entscheidungsunterstützungssysteme genutzt werden können. Als Partner zur Lösung spezifischer Anforderungen bietet sich hier u. a. die Fa. Averbis GmbH mit ihrer Health Discovery Plattform an, die bereits in den meisten Konsortien der Medizininformatik-Initiative genutzt wird. Mit dem Averbis-Marketplace steht kurzfristig eine Distributionsplattform für NLP-Komponenten zur Verfügung. Die TUM bietet als Standort mit hochrangigen Industriepartnern für die langfristige Transformation von wissenschaftlichen Ergebnissen hin zur wirtschaftlichen Nutzung eine hervorragende Ausgangsposition.

Im Molekularen Tumorboard werden basierend auf einer Reihe verschiedener Datentypen (klinische Daten, radiologische Daten, histopathologische Daten, genomische Daten, Genexpressionsdaten, ggf. 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 standard-getriebenen Prozess in die Arbeit der molekularen Tumorkonferenz integriert werden kann. 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: Erstens, die Konzeptionierung einer modular aufgebauten Plattform für das MTB, bei dem Reproduzierbarkeit, Dokumentation und Update-Mechanismen entlang des Prozesses verwirklicht werden. Zweitens, die Erstellung eines Konzepts zur Anbindung der klinischen Routine und der Forschungsdaten. Drittes Ziel ist die verstärkte Automatisierung der Datenintegration und die Aufarbeitung unter Einbeziehung externen Wissens. Das vierte große Ziel ist die Entwicklung von Machine Learning Verfahren für die Analyse im Rahmen des MTB. Hierunter fällt bspw. die Nutzung von unstrukturiertem Wissen (z. B. Arztbriefe), die Generierung komplexer Signaturen zur Modellierung von Therapieansprechen sowie die Identifikation ähnlicher Patienten. Schließlich ist das fünfte Ziel die Implementierung eines Prototyps und quelloffene Software für eine modulare reproduzierbare Software-Plattform für das MTB.