Die im Rahmen der Medizininformatik-Initiative erschlossenen Versorgungsdaten sollen zur Generierung von multimodalen Krankheitsmodellen mit Hilfe von Machine Learning-Verfahren eingesetzt werden, die Erkrankungen über den gesamten Weg des Patienten erschließen. Die Krankheitsmodelle sollen als Grundlage für die Generierung synthetischer Patientendatensätze, für Entscheidungsunterstützung und für die Qualitätssicherung von Machine Learning-Algorithmen eingesetzt werden. Die Nachwuchsgruppe soll hierzu die Themenbereiche Extraktion strukturierter Daten aus unstrukturierten Versorgungsdaten (Befunde, Bilddaten), Datenqualität und Eignung von Versorgungsdaten für Machine Learning-Zwecke und die interoperable Bereitstellung von Krankheitsmodellen auf Basis der FAIR Guiding Principles bearbeiten.

Evidenzbasierte Medizin verwendet hochqualitative, kuratierte und zuverlässige Daten aus der Gesundheitsforschung, kombiniert sie mit der jeweiligen individuellen Expertise der behandelnden Medizinerinnen und Mediziner und hat das Ziel bestmögliche Behandlungsentscheidungen für individuelle Patientinnen und Patienten zu treffen. Um aus den Datenquellen das notwendige Wissen zu generieren, müssen heterogene Daten zusammengeführt und vergleichbar gemacht werden. Aus Sicht der Datenwissenschaften ist dies eine komplexe Aufgabe. Ausschlaggebend für eine zuverlässige Datenbasis von hoher Qualität sind unter anderem die gute Dokumentation des Forschungsprozesses und der resultierenden Daten. Dies schließt ebenfalls den Prozess der Integration von in sich heterogenen Daten aus unterschiedlichen Quellen mit ein. Die Qualität der zu erzeugenden Datenbasis bestimmt sich hierbei maßgeblich durch die Qualität der Datenquellen, aber nicht minder durch die Qualität der Datenintegration. Das Projektvorhaben Medical Data eXploration (MeDaX) entwickelt im Rahmen einer auf fünf Jahre geförderten Nachwuchsgruppe - einen medizinischen Wissensgraphen aus heterogenen Informationsquellen, - neuartige Methoden zur semantischen Anreicherung, Standardisierung und Versionierung der Daten, sowie - verbesserte Abfragemechanismen eines solchen Wissensgraphen.

Hirntumore gehen nicht nur mit großen sozio-ökonomischen Kosten, sondern auch mit hoher psychosozialer Belastung einher, da sie das Organ des Bewusstseins und der Wahrnehmung betreffen. Sie gehören zu den tödlichsten Krebsarten mit wenigen derzeit verfügbaren Therapieoptionen und stellen die zweithäufigste Krebserkrankung bei Kindern dar. In den letzten Jahren hat sich ihr Behandlungsschema durch den Einsatz molekularer Marker mit prognostischer oder prädiktiver Bedeutung zunehmend individualisiert. Mit der Nachwuchsgruppe "AI-RON" soll die nächste Ära der morphomolekularen Diagnostik eingeleitet werden, indem KI-basierte medizininformatische Pipelines entwickelt werden, welche die Diagnose von Hirntumoren in Qualität und Geschwindigkeit verbessern, sowie Therapieansätze personalisieren und effizienter ausrichten sollen. Ziel der Nachwuchsgruppe wird es sein, im Rahmen der Medizininformatik-Initiative eine KI-basierte Präzisionsanalyse von digitalisierten histopathologischen Gewebeschnitten, in Kombination mit hochdimensionalen Omics-Daten und klinischen Metadaten zur Klassifizierung und prognostischen Vorhersagbarkeit von Hirntumoren zu entwickeln. Im Rahmen des Gießener Use Case 2 "Neuroonkologie" des MIRACUM Konsortiums kann auf einen großen Datenpool der beteiligten Standorte zugegriffen werden und aggregierte morphomolekulare und klinische Daten standortübergreifend ausgewertet werden. Die entwickelten Algorithmen werden sich auf die Integration weiterer hochdimensionaler Daten wie Radiomics und anderer Tumorarten ausweiten lassen. Die Nachwuchsgruppe wird damit einen wichtigen Beitrag leisten, das Themenfeld der Medizininformatikinitiative im wichtigen Bereich KI in der Gesundheitsforschung und -versorgung zu stärken, indem sie KI-gestützte Diagnoseverfahren in der pathologischen Routinearbeit voranbringt.

Heutzutage wird die Präzisionsmedizin immer mehr zur Realität und rückt immer weiter in den klinischen Alltag. Einzigartige Merkmale von Patienten werden identifiziert, um die Wirksamkeit und Genauigkeit ihrer Behandlungen zu verbessern. Ehrgeizige Initiativen wie die "Medizininformatik-Initiative " (MI-I) unterstützen in Deutschland aktiv die biomedizinische Forschung zur Verbesserung der individualisierten Patientenversorgung. Sie setzt dabei stark auf die ständig wachsende Menge gesundheitsbezogener Daten und die sich ständig weiterentwickelnden Technologien. Aufgrund von fehlenden Analysemethoden und Standardisierungs- und Harmonisierungs-Prozessen werden allerdings nur ein Teil der existierenden Daten für die klinische Empfehlung herangezogen. Somit ist es das Ziel, die komplexen Daten durch die Entwicklung von innovativen Methoden, wie z. B. Algorithmen beim maschinellen Lernen (Künstliche Intelligenz), und Analyse-Prozessen in einer verständlichen Form aufzubereiten und darzustellen und diese zugleich für eine effiziente und verwertbare Art und Weise für den Austausch bereitzustellen. Darüber hinaus werden effiziente IT-Infrastrukturen als auch die Entwicklung neuartiger Visualisierungsstandards geschaffen, um die Umsetzung und Anwendung in der Klinik zu gewährleisten. Mit diesem Vorhaben werden nicht nur die Prozesse der personalisierten Medizin im lokalen klinischen Umfeld, sondern auch die MI-I und MIRACUM an den verschiedensten Standorten vorangetrieben.

Intelligente IT-Lösungen wie Entscheidungsunterstützungssysteme können dazu beitragen, verschiedenste Daten zusammenzuführen und durch Datenanalysen und Visualisierungen die Erkennung von Krankheiten zu beschleunigen und/oder die Identifikation der optimalen Therapie zu ermöglichen. Um eine breite und nachhaltige Nutzung solch intelligenter IT-Systeme zur multidisziplinären Entscheidungsunterstützung im Kontext personalisierter Medizin in der alltäglichen Praxis sicherzustellen, ist es essenziell diese Systeme nutzerzentriert zu gestalten, hinsichtlich der Akzeptanz des medizinischen Fachpersonals zu überprüfen und zu verbessern. Zentrales Thema der Nachwuchsgruppe ist daher die "Prospektiv-nutzergerechte Gestaltung klinischer Entscheidungsunterstützungssysteme im Kontext personalisierter Medizin." Die Ergebnisse der Forschergruppe umfassen sowohl wissenschaftliche Methoden als auch praktische Werkzeuge für Entwickler von Entscheidungsunterstützungssystemen, die dazu beitragen die technologischen Innovationen und zukunftsweisenden Möglichkeiten, welche beispielsweise in der Medizininformatik-Initiative entwickelt werden, so zu gestalten, dass sie nutzergerecht und kontext-adaptiv sind. Dies ist eine elementare Voraussetzung dafür, dass die entwickelten Innovationen in der Arbeitspraxis zukünftig akzeptiert und verwendet werden.