KI für klinische Studien
Real4Reg – regulatorische Prozesse mit Hilfe von Real-World-Daten verbessern
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. Dies sind jedoch sehr viele und komplexe Informationen. Künstliche Intelligenz soll diese bewältigen und Muster und Vorhersagemodelle erkennbar machen.
Anhand von Beispielen sollen Methoden entwickelt werden, um künstliche Intelligenz bei regulatorischen Entscheidungen entlang des Produktlebenszyklus eines Arzneimittels zu verwenden. Thema wird auch sein, wie vorhandene Methoden verbessert und neue Methoden in den Organisationen eingeführt werden können. Letztlich soll die Wirksamkeit und Sicherheit von Arzneimitteln in der Praxis erhöht werden.
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
SYNTHIA – Synthetic Data Generation framework for integrated validation of use cases and AI healthcare applications
Im Forschungsprojekt SYNTHIA arbeiten öffentliche und private Institutionen daran, eine verantwortungsvolle Nutzung synthetischer Patientendaten für Gesundheitsanwendungen zu definieren. 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 damit die Früherkennung von beispielsweise Alzheimer zu ermöglichen – und Kontrollgruppen in klinischen Studien zu emulieren. So stellen synthetische Daten eine vielversprechende Lösung dar, den Zugang zu Patientendaten zu erleichtern, ohne die Privatsphäre realer Patienten zu gefähren.
Odelia - Transforming healthcare by establishing a swarm learning network for medical AI
The goal of this EU-funded research project is to revolutionize AI in healthcare through the use of Swarm Learning (SL).It aims to overcome the obstacles of data collection in healthcare by utilising SL, where partners work together to train AI models without the need to share any personal patient data. Thereby, ODELIA will break data sharing boundaries and accelerate the scale-up of medical AI in Europe for the benefit of European citizens, patients, and clinicians.
TEF-Health – Testing and Experimentation Facility for Health AI and Robotics
Fraunhofer HHI entwickelt europaweite Testinfrastruktur für KI und Robotik im Gesundheitswesen
Um neue Technologien im Gesundheitssystem einzuführen, müssen ihre Sicherheit, Robustheit, und Zuverlässigkeit ausführlich geprüft werden. Speziell für die Bereiche KI und Robotik gibt es in der Europäischen Union hohe Qualitätsanforderungen, jedoch noch eine unzureichende Testinfrastruktur, mit der sich Standards entwickeln, Innovationen prüfen und neue Produkte zertifizieren lassen.
Das TEF-Health-Konsortium möchte diesen Prozess verbessern und die Validierung und Zertifizierung von KI und Robotik in medizinischen Geräten beschleunigen. Dafür entwickelt das Team eine (virtuelle und physische) Testinfrastruktur, die verschiedenen Technologien in realitätsgetreuen Umgebungen evaluieren kann, darunter z.B. Krankenhäuser und Labore. Anwender*innen können dann zum Beispiel sowohl Software zur Patient*innenbetreuung oder Diagnostik als auch Operations- oder Pflegeroboter testen
TRABIT - Deep Learning Methoden für die translationale Forschung in der Gliomchirurgie und Schlaganfallbildgebung
The »Translational Brain Imaging Training Network« (TRABIT) is an interdisciplinary and intersectoral joint effort of computational scientists, clinicians, and the industry in the field of neuroimaging. Its aim is to train a new generation of innovative and entrepreneurial researchers to bring quantitative image computing methods into the clinic, enabling improved healthcare delivery to patients with brain disease.
Since brain imaging often visualizes disease effects with much greater sensitivity than clinical observation, it holds great promise to help diagnose patients at the earliest stages of their disease, when treatment is most effective; and personalize their treatment by evaluating their response to a specific intervention. A fundamental bottleneck in translating the wealth of information contained in medical images into optimized patient care is the lack of patient-specific computational tools to help analyze and quantify the torrent of acquired imaging data. The last two decades of medical image computing research have matured to allow robust and automatic assessment of carefully homogenized scientific studies of mostly healthy brain scans. Yet analyzing the »wild« type of neuroimaging data arising in the standard clinical treatment of brain disorders remains a hard and unsolved problem.