Leukämie-Patientinnen und Patienten, die sich einer allogenen hämatopoetischen Zelltransplantation (alloHZT) unterziehen, können als schwere Nebenwirkung an Nephrotoxizität leiden. Über die Risikofaktoren, die die Nephrotoxizität bei einzelnen Patienten begünstigen, ist nur sehr wenig bekannt. Die Haupthindernisse für den Erkenntnisgewinn sind das Fehlen einer umfassenden Datenerhebung und -analyse großer Patientenkohorten. Diese Hindernisse werden adressiert, indem die prospektive Datenintegration in den Datenintegrationszentren (DIZ) von vier großen Universitätskliniken ermöglicht, vier lokale personalisierte Vorhersagemodelle für Nephrotoxizität bei der alloHZT-Behandlung etabliert und die vier lokalen Modelle in ein einheitliches föderiertes Vorhersagemodell integriert werden. Es werden ein zuvor entwickeltes visuelles Tool zum Lernen von Bayes‘schen Netzwerken (BN) aus Daten und den integrierten lokalen BN-Lernansatz für föderiertes Lernen angepasst und erweitert. Der Hypothese nach, wird dieser Ansatz die Vorhersagegenauigkeit gegenüber den nicht-föderierten Modellen verbessern. Im Gegensatz zu den meisten föderierten Lernansätzen, die sich auf Daten konzentrieren, wird auch lokales Fachwissen der Behandelnden (Arztperspektive) und der Behandelten (Patientenperspektive, d.h. von Patientinnen und Patienten berichteter, subjektiv empfundener Schweregrad nephrotoxischer Wirkung) in das Modelllernen integriert werden. Es ist davon auszugehen, dass dieser Ansatz die Lebensqualität und das Überleben von Patientinnen und Patienten, die sich einer alloHZT Behandlung unterziehen müssen, verbessert, modifizierbare Risikofaktoren für Nephrotoxizität identifiziert, Krankenhausaufenthalte und Krankenhauskosten reduziert und durch Modelltransfer anderen Krebs-Patientinnen und -Patienten zugutekommen wird.

Leukämie-Patientinnen und Patienten, die sich einer allogenen hämatopoetischen Zelltransplantation (alloHZT) unterziehen, können als schwere Nebenwirkung an Nephrotoxizität leiden. Über die Risikofaktoren, die die Nephrotoxizität bei einzelnen Patienten begünstigen, ist nur sehr wenig bekannt. Die Haupthindernisse für den Erkenntnisgewinn sind das Fehlen einer umfassenden Datenerhebung und -analyse großer Patientenkohorten. Diese Hindernisse werden adressiert, indem die prospektive Datenintegration in den Datenintegrationszentren (DIZ) von vier großen Universitätskliniken ermöglicht, vier lokale personalisierte Vorhersagemodelle für Nephrotoxizität bei der alloHZT-Behandlung etabliert und die vier lokalen Modelle in ein einheitliches föderiertes Vorhersagemodell integriert werden. Es werden ein zuvor entwickeltes visuelles Tool zum Lernen von Bayes‘schen Netzwerken (BN) aus Daten und den integrierten lokalen BN-Lernansatz für föderiertes Lernen angepasst und erweitert. Der Hypothese nach, wird dieser Ansatz die Vorhersagegenauigkeit gegenüber den nicht-föderierten Modellen verbessern. Im Gegensatz zu den meisten föderierten Lernansätzen, die sich auf Daten konzentrieren, wird auch lokales Fachwissen der Behandelnden (Arztperspektive) und der Behandelten (Patientenperspektive, d.h. von Patientinnen und Patienten berichteter, subjektiv empfundener Schweregrad nephrotoxischer Wirkung) in das Modelllernen integriert werden. Es ist davon auszugehen, dass dieser Ansatz die Lebensqualität und das Überleben von Patientinnen und Patienten, die sich einer alloHZT Behandlung unterziehen müssen, verbessert, modifizierbare Risikofaktoren für Nephrotoxizität identifiziert, Krankenhausaufenthalte und Krankenhauskosten reduziert und durch Modelltransfer anderen Krebs-Patientinnen und -Patienten zugutekommen wird.

Leukämie-Patientinnen und Patienten, die sich einer allogenen hämatopoetischen Zelltransplantation (alloHZT) unterziehen, können als schwere Nebenwirkung an Nephrotoxizität leiden. Über die Risikofaktoren, die die Nephrotoxizität bei einzelnen Patienten begünstigen, ist nur sehr wenig bekannt. Die Haupthindernisse für den Erkenntnisgewinn sind das Fehlen einer umfassenden Datenerhebung und -analyse großer Patientenkohorten. Diese Hindernisse werden adressiert, indem die prospektive Datenintegration in den Datenintegrationszentren (DIZ) von vier großen Universitätskliniken ermöglicht, vier lokale personalisierte Vorhersagemodelle für Nephrotoxizität bei der alloHZT-Behandlung etabliert und die vier lokalen Modelle in ein einheitliches föderiertes Vorhersagemodell integriert werden. Es werden ein zuvor entwickeltes visuelles Tool zum Lernen von Bayes‘schen Netzwerken (BN) aus Daten und den integrierten lokalen BN-Lernansatz für föderiertes Lernen angepasst und erweitert. Der Hypothese nach, wird dieser Ansatz die Vorhersagegenauigkeit gegenüber den nicht-föderierten Modellen verbessern. Im Gegensatz zu den meisten föderierten Lernansätzen, die sich auf Daten konzentrieren, wird auch lokales Fachwissen der Behandelnden (Arztperspektive) und der Behandelten (Patientenperspektive, d.h. von Patientinnen und Patienten berichteter, subjektiv empfundener Schweregrad nephrotoxischer Wirkung) in das Modelllernen integriert werden. Es ist davon auszugehen, dass dieser Ansatz die Lebensqualität und das Überleben von Patientinnen und Patienten, die sich einer alloHZT Behandlung unterziehen müssen, verbessert, modifizierbare Risikofaktoren für Nephrotoxizität identifiziert, Krankenhausaufenthalte und Krankenhauskosten reduziert und durch Modelltransfer anderen Krebs-Patientinnen und -Patienten zugutekommen wird.

Leukämie-Patientinnen und Patienten, die sich einer allogenen hämatopoetischen Zelltransplantation (alloHZT) unterziehen, können als schwere Nebenwirkung an Nephrotoxizität leiden. Über die Risikofaktoren, die die Nephrotoxizität bei einzelnen Patienten begünstigen, ist nur sehr wenig bekannt. Die Haupthindernisse für den Erkenntnisgewinn sind das Fehlen einer umfassenden Datenerhebung und -analyse großer Patientenkohorten. Diese Hindernisse werden adressiert, indem die prospektive Datenintegration in den Datenintegrationszentren (DIZ) von vier großen Universitätskliniken ermöglicht, vier lokale personalisierte Vorhersagemodelle für Nephrotoxizität bei der alloHZT-Behandlung etabliert und die vier lokalen Modelle in ein einheitliches föderiertes Vorhersagemodell integriert werden. Es werden ein zuvor entwickeltes visuelles Tool zum Lernen von Bayes‘schen Netzwerken (BN) aus Daten und den integrierten lokalen BN-Lernansatz für föderiertes Lernen angepasst und erweitert. Der Hypothese nach, wird dieser Ansatz die Vorhersagegenauigkeit gegenüber den nicht-föderierten Modellen verbessern. Im Gegensatz zu den meisten föderierten Lernansätzen, die sich auf Daten konzentrieren, wird auch lokales Fachwissen der Behandelnden (Arztperspektive) und der Behandelten (Patientenperspektive, d.h. von Patientinnen und Patienten berichteter, subjektiv empfundener Schweregrad nephrotoxischer Wirkung) in das Modelllernen integriert werden. Es ist davon auszugehen, dass dieser Ansatz die Lebensqualität und das Überleben von Patientinnen und Patienten, die sich einer alloHZT Behandlung unterziehen müssen, verbessert, modifizierbare Risikofaktoren für Nephrotoxizität identifiziert, Krankenhausaufenthalte und Krankenhauskosten reduziert und durch Modelltransfer anderen Krebs-Patientinnen und -Patienten zugutekommen wird.