Projekte

Im Projekt SYNTHIA entstehen neue Techniken zur verantwortungsvollen Erzeugung und Nutzung synthetischer Patientendaten. Diese Daten, die mittels generativer Methoden der Künstlichen Intelligenz erzeugt werden, können dazu beitragen, datenschutzrechtliche Hürden zu überwinden, Vorhersagemodelle für personalisierte Medizin zu verbessern und Kontrollgruppen in klinischen Studien zu emulieren. Die validierten synthetischen Daten werden dann auf einer modernen IT-Plattform zusammen mit ihren Anwendungsmöglichkeiten zur Verfügung gestellt.

Das Hauptziel der »ETHCSTWIN«-Initiative ist der Aufbau eines Kooperationsnetzwerks zwischen dem Institut für Ethnopharmakologische Studien und Phytotherapie (IESP, Athen) und zwei renommierten akademischen Forschungsteams aus Italien (UNISG, Pollenzo) und Deutschland (Fraunhofer SCAI) sowie dem Biotech-KMU Pangea Botanica und der Universität Prishtina. Ziel ist es, die Erkenntnisse der Ethnopharmakologie in neuartige computergestützte und digitale Systeme einzubringen, wobei der Schwerpunkt auf der Entwicklung eines reichhaltigen Portfolios komplexer Methoden und Werkzeuge liegt, die die Analyse umfangreicher Big-Data-Sets und die Restaurierung des materiellen und immateriellen Erbes umfassen.

Fraunhofer SCAI leitet das Konsortium des von der Europäischen Kommission geförderten Projekts COMMUTE. Vier Jahre lang arbeiten führende Fachleute aus verschiedenen Disziplinen daran, naheliegende Zusammenhänge zwischen COVID-19 und neurodegenerativen Erkrankungen zu erforschen. Ein zu entwickelndes KI-gestütztes Empfehlungssystem soll Erkrankten eine individuelle Risikoabschätzung ermöglichen.

Dieses Projekt zielt darauf ab, einen multiskaligen patientenspezifischen virtuellen Zwilling für Patienten zu schaffen, der für eine CAR-T-Zell-Therapie in Frage kommt, was auf zelluläre Immuntherapien im Allgemeinen ausgeweitet werden kann.

PREDICTOM baut in den nächsten vier Jahren eine Plattform zur Bewertung von Demenzrisiken auf. Die Plattform soll eine Früherkennung ermöglichen, die ein rechtzeitiges Eingreifen und eine präventive Behandlung erlaubt.

Das Projekt »COMMITMENT – Modellierung von Komorbiditäts-Prozessen durch integratives, maschinelles Transfer-Lernen für psychiatrische Erkrankungen« zielt darauf ab, einen interdisziplinären Forschungsrahmen für die Identifizierung systemmolekularer Merkmale psychotischer und komorbider somatischer Erkrankungen zu schaffen. Die Identifizierung gemeinsamer und unterschiedlicher biologischer Profile und der ihnen zugrundeliegenden pathophysiologischen Prozesse soll es ermöglichen, die Heterogenität der Patienten zu entschlüsseln und die Grundlage für objektive Instrumentarien für ein personalisiertes klinisches Management psychotischer Störungen zu schaffen.

Seit einigen Jahren steigt die Zahl der Daten, die im Gesundheitswesen anfallen, explosionsartig. Mit diesen Daten lässt sich die Forschung und auch die Patientenversorgung verbessern. Es bleibt jedoch eine Herausforderung, die Daten zu erhalten, sie zu analysieren und zu integrieren. Das Ziel im Projekt IDERHA ist es, eine offene Plattform einzurichten, die die Integration und Analyse verschiedener Arten von Gesundheitsdaten erleichtert. Die Plattform wird mehrere öffentliche und private Datenquellen miteinander verknüpfen und interoperable Werkzeuge und Dienste einführen, damit Ärzte, Patienten und Wissenschaftler die Daten nutzen können. Das IDERHA-Team konzentriert sich bei der Entwicklung der Plattform auf Lungenkrebs als Anwendungsfall.

Ziel des Projektes Real4Reg ist es, regulatorische Prozesse mit Hilfe von Real-World-Daten (RWD) zu verbessern. Unter anderem sollen Informationen über die Verwendung von Medikamenten durch die Bevölkerung aus Abrechnungsdaten der Krankenkassen genutzt werden.

Menschen mit schweren psychiatrischen Erkrankungen wie Schizophrenie, bipolaren Störungen und klinischen Depressionen entwickeln häufig Resistenzen gegen medikamentöse Therapien. Selbst wenn die ersten Anzeichen einer Therapieresistenz erkannt werden, müssen die Betroffenen langwierige Verfahren durchlaufen, bevor die medizinischen Fachkräfte eine angemessene pharmazeutische Behandlung verschreiben können. Nun ist beabsichtigt, im Rahmen des EU-finanzierten Projekts Psych-STRATA umfangreiche klinische, genetische und biologische Daten von Psychiatriepatientinnen und -patienten zu analysieren, um Kriterien für eine Früherkennung von Therapieresistenzen festzulegen. Auf der Grundlage der gewonnenen Erkenntnisse werden Behandlungsstrategien für Betroffene mit einem Risiko auf Therapieresistenz vorgeschlagen. Zudem wird das Projekt Maschinenlernmodelle entwickeln, die das Therapieresistenzrisiko und das Ansprechen auf die Behandlung vorhersagen können, um die Ärztinnen und Ärzte bei der Bereitstellung individuellerer Behandlungen zu unterstützen.

ParKInsonPredict is a joint research project of Technische Universität Dresden and Fraunhofer SCAI aiming to predict disease progression patterns in Parkinson's disease.