Verbund

Nachwuchsgruppen für die Medizininformatik

Die Förderung des wissenschaftlichen Nachwuchses an der Schnittstelle von Informatik und Medizin ist ein Kernelement des Förderkonzepts Medizininformatik. Um einen Anreiz für die Einrichtung zusätzlicher Professuren für Medizininformatik zu geben, bietet das BMBF jeder an der Medizininformatikinitiative beteiligten Hochschule die Förderung von zwei Nachwuchsgruppen als Unterbau für eine neu eingerichtete Medizininformatik-Professur an. Die Nachwuchsgruppen sollen die Professur unterstützen und in die Arbeiten an der Hochschule integriert sein.

Teilprojekte

Nachwuchsgruppe "Modulare Wissens- und Daten-getriebene Molekulare Tumorkonferenz" (MoMoTuBo)

Förderkennzeichen: 01ZZ2008
Gesamte Fördersumme: 1.370.633 EUR
Förderzeitraum: 2021 - 2025
Projektleitung: Prof. Dr. Frank Kramer
Adresse: Universität Augsburg, Fakultät für Angewandte Informatik, IT-Infrastrukturen für die Translationale Medizinische Forschung
Alter Postweg 101
86159 Augsburg

Nachwuchsgruppe "Modulare Wissens- und Daten-getriebene Molekulare Tumorkonferenz" (MoMoTuBo)

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.

Nachwuchsgruppe Implementierung von Smart-Contract-Technologien zur Analyse-Föderierung in der Intensivmedizin (SAFICU)

Förderkennzeichen: 01ZZ2005
Gesamte Fördersumme: 1.439.283 EUR
Förderzeitraum: 2021 - 2026
Projektleitung: Prof. Dr. Ludwig Christian Hinske
Adresse: Ludwig-Maximilians-Universität München, Fakultät für Medizin, Institut für medizinische Informationsverarbeitung, Biometrie und Epidemiologie
Marchioninistr. 15
81377 München

Nachwuchsgruppe Implementierung von Smart-Contract-Technologien zur Analyse-Föderierung in der Intensivmedizin (SAFICU)

Die Nachwuchsgruppe SAFICU arbeitet daran, dezentrale und gesicherte Algorithmen für eine klinische Entscheidungsunterstützung zu entwickeln. Nach Abschluss des Entwicklungsprozesses werden die Algorithmen anhand zweier intensivmedizinischer Anwendungsfälle (Blut-Transfusions­mana­gement für Intensivpatienten und Optimierung der Beatmungsstrategien von Covid-19-Patienten) validiert. Dabei wird auf ein international anerkanntes und in DIFUTURE bereits eingesetztes Datenformat (OMOP CDM) aufgesetzt und die in DIFUTURE bereits geschaffenen Infrastrukturen werden erweitert.

Nachwuchsgruppe Digitale Bildanalytik (HiGHDiBi)

Förderkennzeichen: 01ZZ2004
Gesamte Fördersumme: 1.433.929 EUR
Förderzeitraum: 2021 - 2026
Projektleitung: Prof. Dr. Julio Saez-Rodriguez
Adresse: Universitätsklinikum Heidelberg
Im Neuenheimer Feld 672
69120 Heidelberg

Nachwuchsgruppe Digitale Bildanalytik (HiGHDiBi)

Das Ziel dieses Vorhabens ist die Einrichtung einer Nachwuchsgruppe im Bereich digitale Bildanalytik. Die Nachwuchsgruppe soll hochdimensionale Bildinformationen von Geweben zu erfassen sowie auszuwerten. Dafür wird die Gruppe auch rechnergestützten Methoden zur Untersuchung räumlich verteilter biomedizinischer Daten entwickeln. Damit stärkt die Gruppe den Standort Heidelberg und das HiGHmed Konsortium. Die Gruppe wird am Institut für Computational Biomedicine gesiedelt (Leitung: Professor Julio Saez-Rodriguez). Die Gruppe wird mit der Gruppe von Prof. Saez-Rodriguez sowie mit anderen Partnern des HiGHmed Konsortiums, insbesondere dem Institut für Pathologie, zusammenarbeiten. Der Schwerpunkt wird zunächst auf dem Anwendungsfall Onkologie liegen.

Nachwuchsgruppe - Prädiktive Analyse und datengetriebene künstliche Intelligenz zur logistischen Unterstützung von Versorgungsprozessen (KI-LoV)

Förderkennzeichen: 01ZZ2003
Gesamte Fördersumme: 1.439.164 EUR
Förderzeitraum: 2020 - 2025
Projektleitung: Prof. Dr. Cord Spreckelsen
Adresse: Universitätsklinikum Jena, Institut für Medizinische Statistik, Informatik und Dokumentation
Bachstr. 18
07743 Jena

Nachwuchsgruppe - Prädiktive Analyse und datengetriebene künstliche Intelligenz zur logistischen Unterstützung von Versorgungsprozessen (KI-LoV)

Die Etablierung der Nachwuchsgruppe zielt darauf, die Patientenversorgung durch Anwendungen künstlicher Intelligenz zu verbessern, indem die Bedarfsplanung und die Strukturierung von Prozessen durch genauere Bedarfsvorhersage und Simulationen klinischer Abläufe unterstützt wird. Dazu werden Verfahren maschinellen Lernens aus Versorgungsdaten mit Methoden der mathematischen Optimierung und Simulation kombiniert. Die Entwicklung, Nutzung und vergleichende Bewertung von Deep Learning zur Analyse und Fortschreibung unvollständiger multivariater Zeitreihen aus klinischen Versorgungsprozessen stehen dabei im Fokus. Eine unverzichtbare Voraussetzung des Vorhabens ist es, dass Daten aus der Patientenversorgung in die genannten Verfahren einfließen können. Dazu entwickelt die Nachwuchsgruppe in enger Zusammenarbeit mit dem lokalen Datenintegrationszentrum Ansätze zur Gewinnung, Zusammenführung und Qualitätssicherung anonymer Trainings- und Testdaten. Die Nachwuchsgruppe wird für ausgewählte Aufgaben einsatzfähige Prototypen entwickeln und bewerten, bei denen eine nachgelagerte Produktentwicklung ansetzen kann. Die Ergebnisse werden eine Einschätzung möglicher Effizienzgewinne erlauben, die Routinefähigkeit und Stabilität der Verfahren bewerten und ggf. mögliche Seiteneffekte ihres Einsatzes berücksichtigen. Hierbei ist es ein besonderes Anliegen, Fehlentwicklungen vorzubeugen, die durch undurchschaubare, nicht hinterfragbare und nur einen Realitätsausschnitt bewertende Algorithmen entstehen können. Stattdessen zielt das Vorhaben auf Nachvollziehbarkeit und Kritikfähigkeit der verwendeten Ansätze. Besonderes Augenmerk liegt auf einer Unterstützung der Kalibrierung datengetriebener Anwendungen. Durch Kalibrierung müssen datengetriebene Verfahren der Tatsache Rechnung tragen, dass die Trainingsdaten herkunftsspezifische Besonderheiten haben (z. B. durch die Population, aus der die Daten stammen).

Nachwuchsgruppe Prospektiv-nutzergerechte Gestaltung klinischer Entscheidungsunterstützungssysteme im Kontext personalisierter Medizin

Förderkennzeichen: 01ZZ2002
Gesamte Fördersumme: 1.439.604 EUR
Förderzeitraum: 2020 - 2025
Projektleitung: Prof. Dr. Martin Sedlmayr
Adresse: Technische Universität Dresden - Medizinische Fakultät Carl Gustav Carus - Institut für Medizinische Informatik und Biometrie
Fetscherstr. 74
01307 Dresden

Nachwuchsgruppe Prospektiv-nutzergerechte Gestaltung klinischer Entscheidungsunterstützungssysteme im Kontext personalisierter Medizin

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.

Nachwuchsgruppe "Medical Health Data" im Rahmen der Aufbau- und Vernetzungsphase der Medizininformatik-Initiative - HiGHmed Konsortium

Förderkennzeichen: 01ZZ2001
Gesamte Fördersumme: 1.390.241 EUR
Förderzeitraum: 2020 - 2025
Projektleitung: Prof. Dr. Roland Eils
Adresse: Berliner Institut für Gesundheitsforschung, Zentrum Digitale Gesundheit
Kapelle-Ufer 2
10117 Berlin

Nachwuchsgruppe "Medical Health Data" im Rahmen der Aufbau- und Vernetzungsphase der Medizininformatik-Initiative - HiGHmed Konsortium

Die Mitglieder der Nachwuchsgruppe können in wenigstens drei der nachfolgenden Bereiche Fähigkeiten vorweisen: multi-omics Datenanalyse, Big-Data-Analyse, mathemathische Modellierung und Methoden der Künstlichen Intelligenz. Der wissenschaftliche Fokus wird im Bereich der translationalen Forschung, Medical Health Data bzw. der personalisierten Medizin bewegen. In diesen Bereichen wird sich die Nachwuchsgruppe hervorragend in die Forschungsarbeit am BIH - Digital Health Center der Charité- Universitätsmedizin Berlin integrieren. Die Nachwuchsgruppe wird stark von der engen Verbindung und räumlichen Nähe zwischen dem BIH als exzellentes Forschungszentrum und der Charité als eines der renommiertesten Krankenhäuser Europas profitieren.