Angewandte KI im Gesundheitswesen (AAI)

Applied AI

Im Team für 'Angewandten KI im Gesundheitswesen' arbeiten wir daran, Computeralgorithmen des maschinellen Lernens und Modelle des „Deep Learnings“ in die klinische Anwendung zu bringen. Unter dem Begriff der künstlichen Intelligenz subsumieren wir alle Verfahren, die auf externeBetrachter:innen menschenartig wirken.

Bei der Teildisziplin des Maschinellen Lernen handelt es sich konkret um einen Ansatz zur Datenanalyse, der den Aufbau und die Anpassung von Modellen beinhaltet, die es Programmen ermöglichen, durch Erfahrung zu "lernen". Klinische Projekte, die von dieses Methoden profitieren sollen, begleiten wir von der frühen Konzeptionsphase über Beratung bei Aufnahme und Bereinigung der Daten bis hin zur Modellentwicklung und kritischen Evaluation. Hierbei können als Grundlage sowohl medizinischen Routinediagnostik als auch Studiendaten Verwendung finden. Ein besonderer Fokus liegt dabei auf klassischen Tabulardaten sowie komplexen Zeitserien, beispielsweise in Form von Sensordaten oder elektronischen Patientenakten.

Bei uns in der Angewandten KI im Gesundheitswesen werden die generierten -Algorithmen und Modelle bereits als Vorläufer KI-basierter Medizingeräte betrachtet. Der Fokus liegt somit stets auf der Nähe zu Nutzer:innen in der Klinik und berücksichtigt besonders die Erklärbarkeit der verwendeten Modelle und ihrer Ergebnisse (Explainable AI).

Das IAM-AI Team ist Mitglied im bAIome .

Beispiele laufender Projekte:

  • Als zweithäufigste degenerative Erkrankung des Nervensystems induziert die Parkinsonkrankheit im unbehandelten Zustand einen großen Leidensdruck für die Betroffenen. Unsere Gruppe arbeitet an Verfahren, sowohl diese wie auch die Behandelnden bei der komplexen Einstellung der notwendigen Medikation zu unterstützen. Ziel ist eine automatisierte Dosierungsempfehlung für Levodopa auf Basis nachprüfbarer und messbarer Faktoren. Grundlage dafür ist die kontinuierliche Überwachung der motorischen Symptome durch kostengünstige, breit verfügbare Smart Wearables. Dieses Verfahren verspricht mehrere Vorteile im Vergleich zur aktuellen klinischen Realität:

    • Es sind direkte Interventionen bei einer Änderung der Symptomatik möglich. Diese kann schnell erfolgen und ist nicht angewiesen auf die nicht notwendigerweise deckungsgleichen, subjektiven Einschätzungen der Symptomatik. Die Nutzung transparenter Verfahren des maschinellen Lernens verspricht die Gewinnung von Informationen, die auch in der nicht-apparativen Diagnostik anwendbar sind.
    • Die Überwachung und Adaption können auch abseits der klassischen klinischen Umgebung erfolgen. Im Sinne der Telemedizin können Betroffene somit auch in ihrem gewohnten häuslichen Umfeld optimal betreut werden. Nicht nur im Fall eingeschränkter Mobilität verspricht dies einen deutlichen Gewinn an Lebensqualität.
    • Über die Erfassung kritischer Faktoren können optimierter individueller Medikationspläne auch prognostiziert werden. Anstatt auf allgemeine Populationswerte zurückgreifen zu müssen, können die individuellen Lebensumstände der Betroffenen von vorneherein berücksichtigt werden.


    Aktuell arbeiten wir mit unseren pharmazeutischen Partnern in der Krankenhausapotheke daran, die gewonnenen Erkenntnisse bezüglich der optimalen Behandlung perspektivisch auch in den Klinikalltag integrieren zu können. Eine optimierte Dosierung ist dabei individuell mittels eines 3D-Druckers produzierter Präparate angedacht. Weitere Informationen zu diesem sogenannten „Closed-Loop System“ sind auch auf der Seite der Krankenhausapotheke zu finden.

    Weitere Informationen

  • Das Artificial Intelligence for CAncer REgistration and Research (AI CARE) Projekt ist ein BMG-gefördertes Innovationsprojekt, welches sich auf die Ausschreibung "Krebsregister zusammenführen und intelligent nutzen" bezieht. Es adressiert zwei Fragestellungen:

    • Lassen sich komplexen Krebsregisterdaten mit Methoden der künstlichen Intelligenz (KI) so aufbereiten, verbessern und zusammenführen, dass diese für onkologische Qualitätssicherung und Forschung besser als bisher zugänglich sind?

    • Wie können Auswertungen von Krebsregisterdaten mit KI-Methoden das klassische Auswertungsspektrum der onkologischen Versorgungsforschung sinnvoll ergänzen?

    Am Verbundprojekt arbeiten 13 Partner, bestehend aus Expert*innen der Krebsregistrierung, Medizinischen Informatik und Künstlichen Intelligenz. Es beläuft sich auf drei Jahre und startet zum 01. September 2022.



  • Nach klassischem Therapiestandard werden Patient:innen nach einer Diagnosestellung mit einer krankheitsspezifischen Arzneitherapie behandelt. Da Menschen unterschiedlich auf Medikamente reagieren können, weisen Patient:innen oft starke Nebenwirkungen auf oder zeigen gar kein Ansprechen. Nach dem „Trial-and-Error“- Prinzip wird die Dosierung daraufhin geändert oder eine andere Therapie ausprobiert, bis eine passende Therapie gefunden ist. Die Unwirksamkeitsrate gängiger Therapien ist dabei sehr hoch.

    Im Gegensatz zum klassischen Therapieansatz wird in der personalisierten Medizin anhand einer umfassenden molekularen, zellulären und funktionellen Analyse die Krankheit von Anfang an genauer bestimmt. So können individuelle Gegebenheiten in die Therapie mit einbezogen werden und im Vorhinein eine bessere Voraussage über die Wirksamkeit und die Dosis einer medikamentösen Behandlung getroffen sowie Nebenwirkungen minimiert werden.

    Die erheblichen Fortschritte der Technologien zur Generierung von Omics- Daten in den letzten Jahrzehnten haben diese umfassenden Analysen und damit die personalisierte Medizin erst möglich gemacht. Die Kosten für eine Genomsequenzierung sind von 2,7 Billionen Dollar in 2003 auf 1000 Dollar in 2012 gesunken und das 100- Dollar- Genom ist greifbar nah. Während die Analyse eines Genoms im Jahr 2003 noch Jahre gedauert hat, ist es heute in wenigen Stunden möglich. Diese Entwicklungen haben zur Generierung einer noch nie dagewesenen Menge und Vielfalt an biomedizinischen Daten geführt, welche Schätzungen zufolge in den nächsten Jahren um ein Vielfaches weiter ansteigen werden.

    Die biomedizinischen Forschungsdaten zur Interpretation dieser Daten sind in verschiedenen externen Quellen gespeichert – genetischen Datenbanken, Signalweg-Datenbanken oder in Form von Publikationen. Um diese Daten nutzbar zu machen, müssen sie strukturiert und mit den internen Patientendaten zusammengeführt werden. Hier bedarf es IT-Lösungen, um Ärzt:innen von der Auswertung der Analyse bis hin zur Therapieentscheidung zu unterstützen und diesen Prozess soweit möglich zu automatisieren. Nur mit einem smarten, digitalen Wissensmanagement kann eine individualisierte Behandlung möglichst vielen Patient:innen angeboten werden.