Produktblätter

Klicken Sie hier, um zu den einzelnen Produktblättern zu gelangen und sie als PDF herunterzuladen:

• Visuelle Kohortenanalyse
• Fehldiagnose-Reduzierung
• Zeitreihenanalyse medizinischer Daten
• Nutzergetriebene Entwicklung eines Dashboards
• Virtuelle Kohorten für den Digitalen Zwilling
• Fraunhofer-Marktmonitor »AI in Healthcare«
• Digitale Pathologie für CED
• Preisrechner Medikationskosten
• Leitlinienbasierte Entscheidungsunterstützung
• Sichere Konnektoren: Medical Data Space
• Patienten-App

Visuelle Kohortenanalyse

Chronisch-entzündliche Darmerkrankungen erstrecken sich in ihrem Krankheitsverlauf oft über mehrere Jahrzehnte. Ärztinnen und Ärzten stehen oft nur schriftliche Patientenakten einzelner Patienten zur Verfügung. Durch die Sammlung und Visualisierung dieser Daten hilft das Modul »Kohortenanalyse« Ärztinnen und Ärzten dabei, einen schnellen Überblick über den Patienten und ähnliche Patienten zu erlangen.

---

Fehldiagnose-Reduzierung

Das Modul »Intelligentes Informationssystem zur Fehldiagnose-Vermeidung« der MED2ICIN-Gesamtlösung bereitet Befundberichte von Erkrankten mit chronisch entzündlichen Darmerkrankungen strukturiert auf. Im ersten Schritt werden die wichtigsten, für die Diagnose relevanten Begriffe über Text-Mining Methoden identifiziert und leicht verständlich, sowie interpretierbarer dargestellt. Im zweiten Schritt werden die erfassten Informationen dann mit Befundinformationen von anderen Erkrankten verglichen, um zu einem gegebenen Patienten oder einer Patientin Fälle mit ähnlicher Befundlage finden zu können.

---

Zeitreihenanalyse medizinischer Daten

Die verschiedenen Zeitverläufe der gemessenen Laborparameter werden von unserem Modul zusammengeführt und gemeinsam in einem statistischen Modell verarbeitet. Dessen wesentliche Aufgabe besteht darin, aus den aufgezeichneten Messpunkten wahrscheinliche Krankheitsverläufe der zu Grunde liegenden Modalitäten zu rekonstruieren und somit ein Modell für den möglichen Verlauf der chronisch entzündlichen Darmerkrankung zu bilden.

---

Nutzergetriebene Entwicklung eines Dashboards

In MED2ICIN werden zwei Use Cases untersucht – ein chronischer und ein akuter – um ein intelligentes System zu entwickeln, welches Entscheidungsunterstützung für Medizinerinnen und Mediziner bereitstellt. Diese Empfehlungen werden mittels Verfahren der künstlichen Intelligenz aus Daten abgeleitet, wobei der Entscheidungsprozess für das medizinische Personal nachvollziehbar sein muss. Für die Gestaltung der Benutzeroberfläche (UI) bedeutet dies, dass es vornehmlich darum geht, situationsabhängig, z.B. im Patientengespräch oder während eines Tumorboards, relevante Daten priorisiert darzustellen.

---

Virtuelle Kohorten für den Digitalen Zwilling

Die Nutzung von Gesundheitsdaten in Deutschland unterliegt vielfältigen ethischen bzw. juristischen Einschränkungen aus Gründen des Datenschutzes, der Eigentumsrechte oder der Regulatorik und Gesetzgebung. Der Zugang zu »humanen Daten« sowohl einzelner Patientinnen und Patienten als auch vollständiger Studien bedarf daher vielfacher Freigabeprozesse, wie z.B. positiver Ethikvoten oder Risikofolgeabschätzungen und dem Abschluss entsprechender Datenzugangs- oder Datennutzungsverträge.
Regulatorischer und zeitlicher Aufwand der Genehmigungsvorgänge zur Datenakquisition schränken technologische Entwicklungen in der Medizininformatik und ihren Einsatz wie im Falle des Digitalen Zwillings ein. Zuverlässige und qualitativ hochwertige synthetische Patientendaten könnten daher eine Lösung darstellen, die es ermöglicht vorerst auch ohne »Realdaten« Entwicklungsvorhaben voranzutreiben.

---

Fraunhofer-Marktmonitor »AI in Healthcare«

Grundlage des Fraunhofer-Marktmonitors »AI in Healthcare« stellt eine Datenbank dar, in der kontinuierlich neue internationale Akteure im Markt für KI-Anwendungen im Gesundheitsbereich erfasst und ihre Datensätze zu wiederkehrenden Zeitpunkten aktualisiert werden. Die Datensätze der erfassten Akteure enthalten Informationen zu Unternehmenskennzahlen, zum Geschäftsmodell, Kurzbeschreibungen ihrer Produkte, medizinische Themenfelder, Schlüsselbegriffe und eingesetzten Technologien und Partnerschaften.
Der Fraunhofer-Marktmonitor »AI in Healthcare« umfasst derzeit etwa 1 100 Akteure, die im Gesundheitsmarkt zum Thema Künstliche Intelligenz (KI) aktiv sind. Dabei handelt es sich um Start-ups, große internationale Konzerne, kleine und mittlere Unternehmen, Universitäten und Forschungseinrichtungen.

---

Digitale Pathologie für CED

Die automatisierte Analyse der Darmgewebeschnitte und die Erstellung histologischer Scores erlaubt eine effizientere Diagnostik von CED in der Pathologie. Nachdem die Glasobjektträger mit den Biopsien mittels eines Gewebescanners digitalisiert wurden, können die so entstandenen riesigen Gigapixel-Bilder – sogenannte Whole-Slide Images – mittels eines KI-basierten Algorithmus analysiert werden. Dieser lokalisiert zum einen entzündete Bereiche und klassifiziert diese gleich in niedrig-, mittel-, bzw. stark entzündet. Eine besondere Herausforderung besteht darin, zwischen chronischen und akuten Entzündungen zu unterscheiden. Zum anderen werden auch Störungen in der Architektur der Schleimhaut (Kryptenarchitektur) erkannt und ebenfalls klassifiziert (niedrig, mittel, stark).

---

Preisrechner Medikationskosten

Bei vielen chronischen Erkrankungen machen Medikationskosten einen Großteil der entstehenden Gesundheitskosten aus. So auch bei chronisch entzündlichen Darmerkrankungen (CED). Im Rahmen der Bedarfserhebung äußerten zahlreiche Ärztinnen und Ärzte den Wunsch nach mehr Kostentransparenz bei gleicher Wirksamkeit. Der »Preisrechner Medikationskosten« errechnet bei medizinisch gleichwertigen Therapien die Kosten verschiedener Medikamente für den Patienten pro Quartal und Jahr für Originalpräparate, Generika (generische, chemischsynthetisch hergestellte Arzneimittel) und Biosimilars (Nachahmerpräparate von Biopharmazeutika). Die verwendeten Preise und Zulassungen werden dabei laufend aktualisiert.

---

Leitlinienbasierte Entscheidungsunterstützung

Klinische Leitlinien werden von durch Fachgesellschaften benannten Expertengremien entwickelt. Sie zeichnen sich durch hohe Expertise und klinische Evidenz aus, ihre Anwendung in der ärztlichen Routine ist allerdings aufgrund des komplexen Abgleichs der aktuellen Patientensituation mit den Leitlinienparametern sehr aufwändig. Zudem spiegeln sie häufig nicht den aktuellen Stand der Forschung wieder. Im Leitprojekt MED²ICIN wurden daher Leitlinien an Beispiel der Diagnose und Therapie von chronisch entzündlichen Darmerkrankungen sowie ausgewählter onkologischer Erkrankungen modelliert und in ein computerinterpretierbares Modell überführt. Dadurch können Leitlinienempfehlungen automatisiert mit dem ebenfalls im Leitprojekt entwickelten Patientenmodell in einem Entscheidungsunterstützungsystem verknüpft werden. Das Modell zur leitlinienbasierter Entscheidungsunterstützung kann zusätzlich mit Daten aus aktuellen Publikationen und Studien verknüpft werden.

---

Sichere Konnektoren: Medical Data Space

Die sichere Übertragung von Daten spielt auch im Leitprojekt MED2ICIN eine große Rolle, da verschiedene klinische Partner und deren Daten an das System angebunden werden. Neben der Notwendigkeit einer abgesicherten Datenübertragung stellen sich bei medizinischen Daten auch die besonderen Fragen hinsichtlich des Datenschutzes. Hierfür bietet die Technologie des Medical Data Spaces (MedDS) diverse Lösungsansätze. Im Rahmen des Leitprojekts MED2ICIN wird ein MedDS aufgespannt, um eine sichere Datennutzung in einem verteilten, dezentralen System zu gewährleisten.

---

Patienten-App

Das Ziel des Fraunhofer-Leitprojekts MED²ICIN ist es, für chronisch-entzündliche Darmerkrankungen (CED) und Darmkrebs ein intelligentes System zu entwickeln, welches Entscheidungsunterstützungsfunktionen für Medizinerinnen und Mediziner bereitstellt. Ein elementarer Teil des Prototyps ist eine Patienten-App. Zur Charakterisierung der Krankheitsaktivität werden in der Regel durch die Ärztin diverse Patienteninformationen während der Sprechstunde eingeholt, sogenannte Patient-Reported Outcomes (PRO). Für die Ärztin bedeutet dies zusätzlichen Aufwand für die Erhebung von Patientendaten.