Förderkennzeichen: | 01EQ2403F |
Fördersumme: | 357.250 EUR |
Förderzeitraum: | 2024 - 2026 |
Projektleitung: | Dr. Daniel Durstewitz |
Adresse: |
Zentralinstitut für Seelische Gesundheit J 5 68159 Mannheim |
Long/Post Covid (engl. Post-COVID Conditions, PCC) fordert Gesundheitssysteme heraus, Diagnose und Behandlung sind weiterhin schwierig. FEDORA zielt darauf ab, Längsschnittprofile von PCC zu erstellen und weiterzuentwickeln und krankheitsspezifische somatische Muster zu identifizieren. Um PCC unter anderem von anderen Erkrankungen unterscheiden und vorhersagen zu können fokussiert FEDORA auf physiologische Daten, veränderten Schlaf, Herzfrequenz und körperliche Aktivität sowie auf subjektive Patienten-Bewertungen von Stress, Müdigkeit/Ermüdbarkeit und betrachtet diese Daten im Zusammenhang. Umfangreiche zusätzliche epidemiologische Datensätze (aus PCC-Studien, Felddaten aus PC-Zentren, nicht-klinische Stressbedingungen, psychiatrische (Kontroll-)Kohorten des Deutschen Zentrums für Psychische Gesundheit (DZPG), Gesundheits-App werden so nutzbar gemacht und mit neuen Methoden, unter anderem selbstlernender künstlicher Intelligenz, analysiert. Lange hochaufgelöste Zeitreihen ermöglichen die Erstellung von klinischen Subgruppen und die Prüfung sogenannter prognostischer dynamischer Marker. FEDORA wird neue klinische Datenmodalitäten entwickeln und Schnittstellen zu den deutschen Gesundheitszentren bieten. Aus der enormen Patientenpopulation sollen zudem speziell die Fälle identifiziert werden, die aufgrund eines erhöhten Risikos für negative Langzeitfolgen besondere Betreuung und Überwachung benötigen. FEDORA nimmt Einfluss auf das Verständnis, die klinische Praxis, Krankheitsprävention, Diagnose, Therapie und Rehabilitation von PCC. Körperliche und kognitive Ressourcen von Patientinnen und Patienten sollen erhalten, wiederaufgebaut und gestärkt und einhergehende neuropsychiatrische Erkrankungen wie Depression, posttraumatische Belastungsstörungen, Angst- und Somatisierungsstörungen sowie Post-Exertionelle Malaise minimiert und vermieden werden. Am ZI Mannheim werden dafür maschinelle Lernverfahren bereitgestellt und darauf gestützte Datenanalysen durchgeführt, insbesondere Schlaf- und autonome Daten.