Gesundheitsdaten und Informationsmanagement

Die Digitalisierung des Gesundheitswesens bleibt eine große Herausforderung: Datensilos, fragmentierte IT-Systeme, uneinheitliche Standards, Datenschutzbedenken und der Mangel an qualifiziertem Personal erschweren die Nutzung wertvoller Informationen erheblich. Oft bleiben wichtige Erkenntnisse ungenutzt, was zu Verzögerungen in der Behandlung und suboptimalen Therapieentscheidungen führen kann. Hochwertige, interoperable Gesundheitsdaten aus unterschiedlichen Quellen effizient zu integrieren und zu analysieren ist entscheidend für eine optimale und personalisierte Patientenversorgung.

Interdisziplinäre Fraunhofer-Forschungsteams entwickeln mit innovativen Ansätzen wie Künstlicher Intelligenz intelligente Datenanalysesysteme und Lösungen, die Datenzugang, Datenqualität und Datennutzung systematisch verbessern. Skalierbare Plattformen mit standardisierten Schnittstellen und offenen Plattformarchitekturen ermöglichen die kontrollierte, datenschutzkonforme Nutzung von Gesundheitsdaten in Echtzeit. Durch den Einsatz internationaler Interoperabilitätsstandards (z.B. HL7, FHIR) und digitaler Patienteneinwilligungs-Modelle legt Fraunhofer den Grundstein für vernetzte, patientenzentrierte Datenanlayse. Sichere Kommunikationskanäle ermöglichen den datenschutzkonformen Austausch sensibler Gesundheitsdaten. Fraunhofer-Institute beteiligen sich aktiv am Aufbau des Europäischen Gesundheitsdatenraums (EHDS). Moderne KI-Methoden wie Federated Learning ermöglichen das Training von KI-Modellen ohne zentrale Datenspeicherung, mit Data-efficient Learning werden bereits mit wenigen Trainings- und Testdaten verlässliche KI-Modelle entwickelt. KI-Lösungen auf Basis von großen Sprachmodellen (Large Language Models), die unstrukturierte Patienteninformationen verarbeiten und generieren können, vereinfachen dokumentationslastige Aufgaben wie die Dokumentation von Arzt-Patientengesprächen, Erstellung von Arztbriefen, Patientenaufklärung, Zusammenfassung von Dokumenten und Regularien.

Mit einem interdisziplinären Ansatz und dem Einsatz moderner KI-Technologien setzt Fraunhofer in enger Zusammenarbeit mit der Industrie und Gesundheitsakteuren neue Maßstäbe im Gesundheitsdatenmanagement, das sowohl die Bedürfnisse der Patienten als auch die Anforderungen der Gesundheitsdienstleister in den Mittelpunkt stellt.

FHIR-Starter: LLM unterstützte automatische Strukturierung medizinischer Daten

In dem öffentlichen Projekt FHIR-Starter forscht das Fraunhofer IESE gemeinsam mit den Projektpartnern an Möglichkeiten, medizinische Volltextdokumente, wie z.B. Befunde automatisch mittels Large Language Modellen zu analysieren und interoperabel als FHIR-Ressourcen zur Verfügung zu stellen – hierbei legen wir besonderen Wert auf die Absicherung und Vermeidung von Halluzinationen.

© iStock.com/ipopba

Im Projekt FHIR-Starter wird ein Software-Dienst entwickelt, der mit Large Language Modellen (LLM) und Natural Language Processing (NLP) Volltextdokumente analysiert und in das medizinische Standard-Datenformat FHIR überführt. Der Dienst bietet offene Schnittstellen für Leistungserbringer, Softwareanbieter im Gesundheitswesen und Sekundärnutzer von Gesundheitsdaten, um eine strukturierte Integration der Daten in ihre Systeme zu ermöglichen.

Dies verbessert die Interoperabilität und Zugänglichkeit der Daten, was direkte Vorteile für die medizinische Versorgung bringt, da Mitarbeitende entlastet und Fachpersonal einfacher mit Informationen versorgt wird. Zudem fördert es die strukturierte Erfassung medizinischer Daten für Forschende und steigert Deutschlands Attraktivität für die medizinische Forschung.

FHIR-Starter - Fraunhofer IESE

IDERHA – Integration heterogener Daten und Nachweise im Hinblick auf die Akzeptanz durch Behörden und HTA

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.

https://www.iderha.org/

https://www.isst.fraunhofer.de/de/abteilungen/healthcare/projekte/IDERHA.html

https://www.itmp.fraunhofer.de/en/press/IDERHA_start.html

KI-gestützter Arztbrief-Assistent: Schreibassistent für Entlassbriefe

Mit dem KI-gestützten Arztbrief-Assistenten erstellen Ärzte und Ärztinnen sowie medizinisches Personal schnell und präzise Entlassbriefe, die den höchsten Qualitätsstandards entsprechen. Unser Ziel ist es, mit unserem »Co-Schreiber« die effiziente Erstellung der Epikrise direkt nach Abschluss des Krankheitsfalls zu unterstützen. Das bedeutet weniger Bürokratie und mehr Zeit für die Patientinnen und Patienten.

Was sind die Vorteile des Arztbrief-Assistenten?

  • Unterstützung des Personals bei Berichts- und Dokumentationspflichten
  • Nutzerfreundliches, leicht verständliches System
  • Höhere Qualität der Dokumentation
  • Bessere Chancengleichheit für Mitarbeitende, deren Muttersprache nicht Deutsch ist
  • Schnelle Anpassungen der Arztbrief-Struktur möglich
  • Nachträgliche Anbindung per Schnittstelle
  • Vertrauenswürdigkeit durch On-Premise-Lösung & Human-in-the-loop
  • Schnelle Entwicklung und schneller Einsatz

KI-gestützter Arztbrief-Assistent - Fraunhofer IAIS

Platform4Health.Ruhr & Platform4Health.Ruhr 2

© Bild erstellt mit GPT Image 1.5, Prompt und Konzept: Maren Keuchel, Fraunhofer ISST

Im Projekt Platform4Health.Ruhr entwickeln wir eine digitale Plattform, die Angebote aus Prävention, Gesundheitsförderung und Versorgung im Ruhrgebiet bündelt, verständlich aufbereitet und auf individuelle Lebenswelten der Nutzenden zuschneidet. Im Fokus stehen Konzeption, Machbarkeitsnachweis und prototypische Umsetzung – zunächst exemplarisch für die Stadt Oberhausen, im Projekt 2 auch für Gelsenkirchen, Bochum und Duisburg.

Das Fraunhofer ISST verantwortet die technische Basis der Plattform. Wir konzipieren die Gesamtarchitektur, finden vorhandene Inhalte seriöser Quellen automatisiert und binden diese ein. Dafür nutzen wir Web-Crawling, Web-Scraping und KI-gestützte Verfahren. Ergänzend entwickeln wir eine agentenbasierte Lösung, um Inhalte auf die individuelle Lebenswelt zuzuschneiden. Ein begleitendes Datenschutzkonzept mit Rechte- und Rollenmodell und TOMs nach Art. 32 DSGVO sichert den Umgang mit sensiblen Daten. Alle Bausteine werden in unseren Pilotkommunen prototypisch als Proof of Concept erprobt.

Platform4Health.Ruhr & Platform4Health.Ruhr 2: Konzeptionierung und exemplarische, prototypische Umsetzung einer Gesundheitsplattform Ruhr - Fraunhofer ISST

Trusted Ecosystem of Applied Medical Data eXchange (TEAM-X)

TEAM-X: Patienten-Empowerment im Gesundheitswesen - Digitale Kompetenz und Innovationskraft im Medizinbereich

Das Projekt »Trusted Ecosystem of Applied Medical Data eXchange (TEAM-X)« erforscht und implementiert Lösungen, um die teils nur schwer zugänglichen Gesundheitsdaten für Patienten, Ärzte und Pflegepersonal leichter verfügbar zu machen.

Das vorrangige Ziel dabei ist die Etablierung eines geschützten und vertrauenswürdigen digitalen Datenökosystems basierend auf der Gaia-X Infrastruktur zur Entwicklung von datengetriebenen Geschäftsmodellen, Produkten und Dienstleistungen als Basis für eine zukunftsweisende Gesundheitsversorgung.

Patientinnen und Patienten behalten dabei durchweg die Kontrolle über ihre Daten und bestimmen selbst, wer Zugriff erhält und zu welchem Zweck.

https://www.iis.fraunhofer.de/de/ff/sse/health/mobile-health-lab/team-x.html

https://project-team-x.eu/

Mobile Healthcare
© istock.com/elenab

KI-FDZ - Forschung meets Datenschutz: Mit Künstlicher Intelligenz synthetische Gesundheitsdaten analysieren

© Projektlogo KI-FDZ

Große Mengen hochwertiger Daten sind eine wichtige Grundlage für zukunftsweisende Forschung auf dem Gebiet der Gesundheitsversorgung. Das Forschungsdatenzentrum Gesundheit (FDZ) am Bundesinstitut für Arzneimittel und Medizinprodukte (BfArM) hat die Aufgabe, Daten von gesetzlich Krankenversicherten berechtigten Institutionen zu Forschungszwecken zur Verfügung zu stellen. Hierbei gibt es zwei Herausforderungen: Zum einen muss das FDZ organisatorisch und technisch fähig sein, auf Anfragen zeitnah und nutzerorientiert zu reagieren. Zum anderen handelt es sich um hochsensible, schutzbedürftige, persönliche Gesundheitsdaten. Das Vorhaben »Künstliche Intelligenz am Forschungsdaten­zentrum« (KI-FDZ) soll die vorhandenen Daten für die Forschung auch mit KI-Methoden erschließen und eine bestmögliche Nutzung erlauben, ohne dass Informationen über einzelne Personen abgeleitet werden können. Gemeinsam mit dem Fraunhofer-Institut für Digitale Medizin MEVIS wird ein »Sandbox«-System im FDZ aufgebaut, also ein virtueller Raum und nutzungsfreundlicher KI-Werkzeugkasten, der ein Austesten der Möglichkeiten in einer geschützten Umgebung möglich macht. Das FDZ will damit Anträgen für Forschungsprojekte, die KI-Methoden erfordern, den Weg bereiten.

https://www.bundesgesundheitsministerium.de/ministerium/ressortforschung/handlungsfelder/digitalisierung/ki-fdz

Größere Sicherheit in der Arzneimittelbehandlung und Stärkung des Patient Empowerment

Im neuen EU-Projekt »SafePolyMed« möchte ein internationales Forschungsteam künftig Ärzten und Apothekern innovative Instrumente an die Hand geben, um die Sicherheit der Arzneimittelbehandlung zu erhöhen und die Patienten darüber aufzuklären, wie sie ihre Gesundheitsversorgung aktiv selbst steuern können. Das Fraunhofer-Institut für Biomedizinische Technik bringt in das Projekt seine langjährige Expertise im Bereich Gesundheitsinformationssysteme ein.

https://www.safepolymed.eu/

https://www.ibmt.fraunhofer.de/de/ibmt-presse-uebersicht/presse-ibmt-safepolymed-2022-07-06.html

TITAN: Trusted envIronments for confidenTiAl computiNg and secure data sharing

Das Projekt »TITAN – Trusted envIronments for confidenTiAl computiNg and secure data sharing« wird den Interoperabilitätsrahmen (IF) der European Open Science Cloud (EOSC) um eine Software-Plattformlösung für eine vertrauliche Datenzusammenarbeit sowie für die sichere und Privatsphäre-wahrende Datenverarbeitung bereichern.

Die Plattform wird den Zugang zu sensiblen Datensätzen von öffentlichen Einrichtungen und Regierungsbehörden ermöglichen und auf technischer, semantischer, organisatorischer sowie rechtlicher Ebene mit dem EOSC IF kompatibel sein. Um die Übernahme der Open-Source-Software-Artefakte von TITAN durch die Gemeinschaft zu fördern, wird die Lösung in mehreren vertikalen grenzüberschreitenden Szenarien praktisch demonstriert – insbesondere in der öffentlichen Verwaltung und im Gesundheitswesen.

TITAN - Fraunhofer ISST

CanConnect - Zusammenführung von Krebsregisterdaten und multimodalen, melderbasierten Diagnostikdaten zur KI-basierten Biomarker-Detektion

© Fraunhofer MEVIS
Verknüpfung von KR-Datensätzen mit weiteren dezentralen Diagnostikdaten für die KI-basierte Biomarkerforschung

Das Projekt CanConnect verfolgt das Ziel, Krebsregisterdaten mit vielfältigen Diagnostikdaten der meldenden Kliniken zu verknüpfen. Im Zentrum steht die Entwicklung eines allgemeinen Verknüpfungskonzepts, das umfangreiche, detaillierte Falldaten für die Forschung nutzbar macht und gleichzeitig den Schutz der Patientendaten gewährleistet. Die Machbarkeit und der Nutzen des entwickelten Verknüpfungskonzepts werden anhand des Anwendungsfalls »Glioblastom«, eines bösartigen Hirntumors, demonstriert. Hierfür wird das entwickelte Verknüpfungskonzept angewendet, um Krebsregisterdaten mit weiteren Diagnostikdaten aus der Pathologie anzureichern. Die verknüpften Daten werden mit Methoden der Künstlichen Intelligenz (KI) analysiert, um daraus als exemplarische Anwendung neue Diagnoseparameter (sogenannte Biomarker) für das Glioblastom abzuleiten.

https://www.bundesgesundheitsministerium.de/ministerium/ressortforschung/handlungsfelder/forschungsschwerpunkte/krebsregisterdaten/canconnect

DuITeasy: Lebensbegleitende Assistenzplattform auf Basis eines offenen föderierten Daten- und Dienste-Ökosystems und intelligenten Messsystemen

Die alternde Bevölkerung Europas erfordert neue Ansätze für lebenslange Unterstützung. Im Projekt »DuITeasy« wird ein interoperables Ökosystem für innovative Assistenzdienste auf der Grundlage bestehender Datenquellen mit Schwerpunkt auf Datenschutz und Interoperabilität entwickelt, dessen Ziel es ist, einen breiten Zugang zu Daten für innovative Geschäftsmodelle und Wettbewerbsfähigkeit zu schaffen.

»DuITeasy« integriert bestehende digitale Angebote in ein interoperables Ökosystem und entwickelt Assistenzdienste, die von der Aktivitätserkennung bis zur Notfallerkennung reichen. Gaia-X-Prinzipien werden angewendet, um Datenhoheit und Skalierbarkeit zu gewährleisten. Eine Anwendungsschicht ermöglicht die Integration von Anwendungen und Schnittstellen für die Unterstützung im Alltag.

DuITeasy - Fraunhofer ISST

CERTAINTY – Cellular immunoTherapy Avatar for personalized cancer treatment

Virtueller Zwilling soll Behandlung mit Krebsimmuntherapien verbessern.

Im Forschungsprojekt CERTAINTY entwickelt ein Projektteam unter Leitung des Fraunhofer-Instituts für Zelltherapie und Immunologie IZI einen virtuellen Zwilling, der zukünftig die Behandlung mit personalisierten Krebsimmuntherapien verbessern soll.

Mit den Krebsimmuntherapien hat sich in den vergangenen Jahren neben den klassischen Behandlungsoptionen (Chirurgie, Strahlen- & Chemotherapie) eine weitere Säule in der medizinischen Onkologie etabliert. Zu den Vorteilen personalisierter Behandlungsansätze, wie z. B. der CAR-T-Zelltherapie, gehört auch eine präzisere Phänotypisierung der individuellen Patient*innen.

Für Diagnose, Therapieentscheidung und Verlaufskontrolle werden zahlreiche klinische, bildgebende, molekulare und zellanalytische Daten pro Patient*in erhoben und verarbeitet. In der Gesamtheit aller Patient*innendaten innerhalb eines Krankheitsbildes verbirgt sich ein enormes Potenzial, um Diagnose und Therapie für zukünftige Patient*innen zu verbessern. Ein Ansatz zur Verwirklichung dieses Potenzials ist das Konzept des virtuellen Zwillings. Dabei werden bestimmte molekulare und zelluläre Merkmale einer Person sowie deren klinische Verlaufsdaten zu einem digitalen Abbild zusammengeführt und dieses anhand einer Reihe von Datenvariablen regelmäßig aktualisiert. Anhand von Vergleichsdaten von Patient*innen mit ähnlichen Merkmalen können durch den virtuellen Zwilling dann Prognosen zum Krankheitsverlauf oder zu verschiedenen Therapieoptionen simuliert werden.

https://www.certainty-virtualtwin.eu/

https://www.izi.fraunhofer.de/de/presse/pressemitteilungen/virtueller-zwilling-soll-behandlung-mit-krebsimmuntherapien-verbessern.html

DIM.Ruhr: Datenkompetenzzentrum für die interprofessionelle Nutzung von Gesundheitsdaten in der Metropole Ruhr

Das Datenkompetenzzentrum DIM.RUHR bündelt die Kompetenzen der beteiligten Forschungseinrichtungen in der Metropole Ruhr, und macht erhobene Daten für die Versorgungsforschung nutzbar. Dafür schafft DIM.RUHR Lehr-, Forschungs- und Vernetzungsangebote zur Steigerung der Datenkompetenzen bei Forschenden, aber auch bei Versorgenden.

  • Etablierung eines Wissenstransfers zum Umgang mit Daten in anderen europäischen Ländern
  • Konzeption und Umsetzung von technischen Datenstrukturen zur sozialräumlichen und sozialmedizinischen Versorgung
  • Schaffung von Zugriffsstrukturen für Gesundheitsdaten, die den Anforderungen des Gesundheitsdatennutzungsgesetzes (GDNG) und des Digitalgesetzes (DigiG) entsprechen und die Akteure im Gesundheitswesen zur Nutzung befähigen.
  • Technische Konzeption und Bereitstellung von Open Educational Resources (OER) zur Förderung von Gesundheitsdatenkompetenzen

DIM.Ruhr - Fraunhofer ISST

Psych-STRATA – Ein Programm zur stratifizierten Pharmakogenomik bei schweren psychischen Erkrankungen

Früherkennung und Behandlung von Behandlungsresistenzen in der Psychiatrie

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.

https://www.scai.fraunhofer.de/de/projekte/Psych-STRATA.html

SmartHospital.NRW: Mit Künstlicher Intelligenz das Krankenhaus von morgen gestalten

In einem von der Universitätsmedizin Essen angeführten Konsortium erarbeitet ein Team aus Wissenschaftler*innen der Fraunhofer-Institute für Intelligente Analyse- und Informationssysteme IAIS und für Digitale Medizin MEVIS, der RWTH Aachen und der TU Dortmund zusammen mit Expert*innen der m.Doc GmbH und der GSG Consulting GmbH Konzepte und Lösungen, wie Krankenhäuser aus NRW in sogenannte »Smart Hospitals« transformiert werden können. Der Förderbescheid in Höhe von rund 14 Millionen Euro wurde heute von Digitalminister Prof. Dr. Andreas Pinkwart an Dr. Anke Diehl, Chief Transformation Officer der Universitätsmedizin Essen, und Prof. Dr. Stefan Wrobel, Institutsleiter des Fraunhofer IAIS, überreicht.

https://smarthospital.nrw/

https://www.iais.fraunhofer.de/de/presse/presseinformationen/presseinformationen-2021/presseinformation-210225.html

© KI.NRW

HealthTrack-X: Digitale Produktions- und Lieferkette in der Gesundheitswirtschaft auf den Prinzipien von Gaia-X

Im Verbundprojekt »HealthTrack-X« wird der Aufbau eines offenen und dezentralen Datenökosystems für das Gesundheitswesen angestrebt. Alle beteiligten Akteure sollen so einfacher die Datenhoheit wahren können und damit Vertrauen schaffen und Effizienzen steigern. Durch die Schaffung einer digitalen Infrastruktur wird die Zusammenarbeit zwischen den Beteiligten gefördert, um die Gesundheitsversorgung in Deutschland und Europa nachhaltig zu verbessern. Im Projekt sollen Konzepte und einheitliche Standards entwickelt und erprobt werden, welche es erlauben, physische Waren und ihre Wege entlang der Lieferkette digital zu erfassen und zu tracken.

HealthTrack-X - Fraunhofer ISST

HEALTH-X dataLOFT – Legitimierter, offener und föderierter Gesundheitsdatenraum in GAIA-X

Die Gesundheitsversorgung der Zukunft wird auf einer sicheren und sektorenübergreifenden Vernetzung und Nutzung von Daten beruhen. Daneben gewinnen persönliche Daten des zweiten Gesundheitsmarktes wie beispielsweise durch End-Consumer-Geräte erhobene Aktivitätsdaten mehr und mehr an Bedeutung. Ziel des Projektes »HEALTH-X dataLOFT« ist es, Bürger:innen im Rahmen eines bürger:innen zentrierten Gesundheitsdatenraumes ins Zentrum der Bereitstellung, Nutzung sowie Kontrolle der eigenen Gesundheitsdaten zu stellen. Die Gesundheitsdaten sollen gemäß GAIA-X Standards zugänglich gemacht werden.

HEALTH-X dataLOFT – Legitimierter, offener und föderierter Gesundheitsdatenraum in GAIA-X - Fraunhofer ISST

DaRe: GesundheitsDAtentreuhand-REallabor zur Entwicklung und Erprobung der Ökosystemintegration datengetriebener Gesundheitsforschung

Im Verbundvorhaben »DaRe« soll ein Datentreuhandmodell für medizinische Daten am Beispiel der Radiologie entwickelt werden. Radiologische Daten sind von besonderem Interesse für medizinische Forschung und die Entwicklung medizinischer Analyseinstrumente, da sie die Basis für KI-Komponenten bildgebender Geräte bilden. Zentraler Aspekt des Vorhabens ist eine stärkere Einbindung der Patientinnen und Patienten als Datengebende zu realisieren.  

DaRe: GesundheitsDAtentreuhand-REallabor zur Entwicklung und Erprobung der Ökosystemintegration datengetriebener Gesundheitsforschung - Fraunhofer ISST

RACOON: The German-wide Radiological Cooperative Network

The COVID-19 Pandemic Radiological Cooperative Network RACOON is a joint project of the radiology departments at all 36 German university hospitals. Experts at all sites segment and annotate a large number of lung CT scans in a structured and uniform manner. The resulting data is used to develop medical assistance systems and an early warning system based on AI. Fraunhofer MEVIS is one of the three technical partners in RACOON, in addition to the German Cancer Research Center (DKFZ) and the Technical University of Darmstadt.

RACOON applies MEVIS technology called SATORI for interactive data curation, AI, and radiomics analysis. 

https://racoon.network/

https://www.mevis.fraunhofer.de/en/research-and-technologies/fraunhofer-mevis-vs-corona.html

https://www.charite.de/service/pressemitteilung/artikel/detail/covid_19_mit_vereinten_kraeften_begegnen/

© RACOON

RUB-HCMS: Healtcare Content Management Software (HCMS) für die Bochumer Universitätsmedizin

Entwicklung eines Healthcare Management Systems für die Universitätsklinik in Bochum für Standortübergreifender Forschung und Anbindung an die MII als Grundlage für KI in der Medizin

© Blue Planet Studio, stock-adobe.com

Das Universitätsklinikum der Ruhr-Universität Bochum (UK RUB) hat als eine der größten Unikliniken Deutschlands mit acht Trägern und über 600.000 Behandlungen jährlich ein enormes Potenzial für die datengetriebene klinische Forschung. Daher streben die Träger das UK RUB unter der Federführung der Medizinischen Fakultät der RUB ein kooperatives Forschungsdatenmanagement im Rahmen einer gemeinsamen IT-Dachstrategie an, um Forschung und Lehre durch die strukturierte und interoperable Datenaufbereitung und -bereitstellung zu stärken.

https://www.isst.fraunhofer.de/de/abteilungen/healthcare/projekte/RUB-HCMS.html

DISTANCE:PRO - Digital Smart Hub for Advanced Connected Care:Pro(fessional)

Das Projekt »DISTANCE:PRO – Digital Smart Hub für Advanced Connected Care:Pro(fessional)« baut das deutsche Gesundheitsdatennetzwerk weiter aus. Auf Basis des Vorgängerprojekts DISTANCE werden regionale Gesundheitsdienstleister in den sicheren, interoperablen Forschungsdatenaustausch im Rahmen der Medizininformatik-Initiative (MII) eingebunden. So können Versorgungsdaten datenschutzkonform gebündelt und für Forschung, KI-Modelle und digitale Anwendungen nutzbar gemacht werden.

Dem zugrunde liegt dabei die Vision, ein nachhaltiges Ökosystem zu schaffen, dass die Versorgung von Patientinnen und Patienten während des gesamten Behandlungspfads (engl. Patient Journey) um eine personalisierte und vor allem datengesteuerte Komponente bereichert. Hierfür soll der bereits aufgebaute DISTANCE HUB zu einem sogenannten erweiterten Datenintegrationszentrum (XTDIZ – EXTENDED DIZ) ausgebaut werden, das betreiberunabhängig die Aufgaben und Services eines DIZ übernimmt und die lokalen IT Ressourcen der Gesundheitsdienstleister entlastet.

DISTANCE:PRO - Fraunhofer ISST

TRANSIT: Medizininformatik-Struktur »Data Management Unit«

In der Gesundheitsversorgung entsteht eine Vielzahl an Daten, die für die Erforschung von Erkrankungen, Medikamenten und Behandlungsmethoden genutzt werden können. Ein großes Potenzial bietet hier insbesondere der Einsatz von Data Science und Machine Learning, um aus den bereits vorhandenen Datenmengen zu lernen und medizinische Prozesse sowie Behandlungsmethoden zu optimieren.

Damit diese Daten aus unterschiedlichen Quellen zusammengeführt und analysiert werden können, müssen diese ein hohes Maß an Datenqualität, Interoperabilität, Datenschutz und -sicherheit aufweisen.

TRANSIT – Medizininformatik-Struktur »Data Management Unit« - Fraunhofer ISST

ULTRAWEAR: Ultraschall-basiertes wearable als Biofeedback-System für ein effektives Training bei chronischen Rückenschmerzen

Bei Erkrankungen wie entzündlichen rheumatischen Erkrankungen (z. B. axiale Spondyloarthritis), Spondylolisthesis, Skoliose, Morbus Bechterew, Morbus Scheuermann oder Bandscheibenvorfällen sind chronische Rückenschmerzen ein häufiges Symptom. Meist erhält der Patient oder die Patientin Physiotherapie, alleine oder ergänzend zu den Medikamenten. Die Physiotherapie soll dabei eine Stärkung der Muskeln des unteren Rückens fördern. Unter normalen Umständen wird die Muskulatur des unteren Rückens nicht bewusst kontrahiert. Deshalb wird das gezielte Training dieser Muskulatur als schwierig empfunden. Um das Training zu erleichtern, wollen die Verbundpartner ein tragbares Ultraschall-System entwickeln. Dieses soll ein Biofeedback über die Genauigkeit des Trainings liefern. Die Grundlage dafür soll die Analyse der Muskelkontraktion sein. Die Muskelkontraktion wird mit Hilfe von Ultraschall gemessen. Die aufgenommenen Ultraschallsignale werden an ein Elektronikmodul übertragen. In diesem werden die Signale mit sogenannten Deep-Learning- Ansätzen analysiert. Daraus wiederum wird dann ein Biofeedback generiert und an den Patienten oder die Patientin gegeben. Diese können dann das Training entsprechend anpassen.

https://www.gesundheitsforschung-bmbf.de/de/ultrawear-ultraschall-basiertes-wearable-als-biofeedback-system-fur-ein-effektives-12518.php

MED2ICIN: Digitales Patientenmodell unterstützt Behandelnde bei Entscheidungsfindung und reduziert Kosten

© Fraunhofer IGD
Das digitale Patientenmodell, Ergebnis des Fraunhofer-Leitprojekts MED²ICIN, überzeugt im Praxistest.

Das im Projekt MED²ICIN entwickelte System zur Entscheidungsunterstützung soll schnellere Behandlungserfolge bringen. Indem es alle individuellen Patienteninformationen bündelt und mit Kohorten ähnlicher Individuen abgleicht, unterstützt es Medizinerinnen und Mediziner in ihrer Entscheidungsfindung. Neben der Auswahl einer optimalen Therapie reduziert diese Lösung Behandlungszeit und -kosten.

Mit einer personalisierten und kostenintelligenten Behandlung eröffnet das digitale Patientenmodell neue Möglichkeiten für die Gesundheitswirtschaft. In unterschiedlichsten Systemen vorhandene Patientendaten werden dadurch zu einem digitalen Abbild zusammengeführt. »Es bringt Vorteile sowohl für die konkrete Behandlung individueller Patientinnen und Patienten als auch für den Einsatz gesamtgesellschaftlicher Gesundheitsausgaben mit sich«, sagt Dr. Stefan Wesarg, Head of Competence Center Visual Healthcare Technologies am Fraunhofer-Institut für Graphische Datenverarbeitung IGD und Koordinator von MED²ICIN. »Eine datenschutzkonforme Zusammenführung individueller Gesundheits- und Krankheitsdaten und deren intelligente Analyse lässt eine vollkommen neuartige Lösung für eine effektivere Prävention, Diagnostik, Therapie und Versorgung entstehen.«

https://www.igd.fraunhofer.de/de/media-center/presse/digitales-patientenmodell-unterstuetzt-behandelnde-bei-entscheidungsfindung-und-reduziert-kosten.html

https://websites.fraunhofer.de/med2icin/video-digitales-patientenmodell-fuer-chronische-krankheiten-dashboard-fuer-gezieltere-diagnosen/

COMMUTE: COMmorbidity Mechanisms UTilized in Healthcare

Künstliche Intelligenz hilft dabei, das Risiko neurodegenerativer Erkrankungen nach Corona-Infektionen abzuschätzen

Erhöht eine Infektion mit SARS-CoV-2 das Risiko, um an Demenz zu erkranken? Dieser Frage widmen sich führende europäische Fachleute in den Disziplinen Medizin, Zellbiologie, Datenwissenschaft und Künstliche Intelligenz sowie Ethik, Recht und Patientenbeteiligung im EU-Projekt COMMUTE. Die Abkürzung steht für »COMmorbidity Mechanisms UTilized in HealthcarE« und gibt die Richtung der Forschungsarbeiten vor. Es geht darum, Mechanismen zu ergründen, die ursächlich für neurodegenerative Erkrankungen wie der Alzheimer- und Parkinson-Krankheit als Folge von Corona-Infektionen sind.

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.

https://www.commute-project.eu/en/about.html

https://www.scai.fraunhofer.de/de/projekte/COMMUTE.html

© Freepik / Fraunhofer SCAI

A.D.Le.R.: Automatisiertes Detektions-, Melde- und Leitsystem für Rettungskräfte

Einen Notruf schnell und erfolgreich abzusetzen, ist der erste Schritt der Rettungskette und damit essenziell für die Rettung von Leben und den Schutz von Sachwerten. Eine automatische Erkennung und Meldung von Bränden und Notfällen könnte hier das Sicherheitsniveau deutlich erhöhen.

Dies gilt insbesondere für Menschen mit Behinderung oder Menschen höheren Alters, die im Notfall ggf. nicht mehr in der Lage sind, selbst zum Telefon zu greifen oder sich selbst aus dem Gefahrenbereich zu retten. Das Projekt »ADLeR« soll daher insbesondere dieser Zielgruppe mehr Sicherheit und gleichzeitig eine höhere Selbstbestimmung im Alltag ermöglichen.

A.D.Le.R. - Automatisiertes Detektions-, Melde- und Leitsystem für Rettungskräfte - Fraunhofer ISST

A.D.Le.R. – Rettungskette neu denken

PFLIP: Sektorenübergreifender Pflege-Kerndatensatz und Pflege-Datenrepository

Das Projekt PFLIP hat sich die Definition des Pflege-Kerndatensatzes und den Aufbau eines intersektoralen Pflegedaten-Repository zum Ziel gesetzt. Die Versorgungskontinuität soll über Einrichtungen hinweg (Patientenzentrierung vs. Organisationszentrierung) verbessert werden und die Entwicklung pflegeunterstützender KI-Lösungen ermöglicht werden. Dafür werden Pflegedaten aus dem stationären und ambulanten Bereich harmonisiert und nutzbar gemacht.

Viele Pflegebereiche, wie die häusliche Versorgung oder alternative Wohnformen, erfassen Daten nicht strukturiert oder gar standardisiert. Die Dokumentation im stationären Bereich der Pflege hängt stark von der jeweiligen Einrichtung ab. Die Sektoren, in welchen Pflegedaten eine Rolle spielen, sind bisher unzureichend oder nicht vernetzt. Damit perspektivisch Behandlungsverläufe analysiert, Pflegebedarfe personalisiert adressiert und datenbasierte Innovationen für die Unterstützung und Verbesserung der Pflege entwickelt werden können, müssen diese Daten harmonisiert werden.

PFLIP: Sektorenübergreifender Pflege-Kerndatensatz und Pflege-Datenrepository - Fraunhofer ISST