Entwicklung eines Diagnostikums und begleitend eines Expertensystems für die frühzeitige Erkennung der Abstoßungen bei nierentransplantierten Patienten

Im Verbundprojekt „Screen-Reject: Ein Lateral Flow-Test zur Abstoßungsdiagnostik“ wird ein Diagnostikum und begleitend eine Expertensystem entwickelt, das frühzeitig Abstoßungen bei nierentransplantierten Patienten feststellen soll. Im von der HsH verantworteten Teilprojekt „Screen-Reject: Data Warehouse zur Nierentransplantationsdiagnostik“ des Verbundprojektes wird ein Klinisches Data Warehouse (KDWH) entwickelt, das die bei der Entwicklung des Diagnostikums gewonnenen Informationen aufbereitet und der Begleitforschung bereitstellt. Weiterhin bildet das entwickelte KDWH den Ausgangspunkt der Entwicklung eines Expertensystems zur Unterstützung der Abstoßungsdiagnostik für Transplantationszentren und NTX-Versorgungseinrichtungen. Der Entwicklung des KDWH-Datenmodells kommt dabei besondere Bedeutung zu, da es die Zusammenführung system- und fachabteilungsspezifischer Datenstrukturen und Terminologien der zu berücksichtigenden Quell-Anwendungssysteme ermöglichen soll.

Nierentransplantation - Abstoßung mittels KI frühzeitig erkennen

Transplantationen von Spendernieren sind riskante Eingriffe, da es nicht selten zu Abstoßungsreaktionen kommen kann. Damit Mediziner rechtzeitig eingreifen und den Verlust des Transplantats verhindern können, entwickelt die Hochschule Hannover ein intelligentes Datenbanksystem. Mithilfe künstlicher Intelligenz (KI) und maschineller Lernverfahren soll es die Diagnostik unterstützen. Hierfür entwickeln Wissenschaftlerinnen und Wissenschaftler der Hochschule Hannover ein intelligentes Datenbanksystem. Dieses soll zeitkritische Diagnoseprozesse sowie die Analyse großer Datenmengen unterstützen. Konkret werden beispielsweise umfangreiche Befundtexte mithilfe künstlicher Intelligenz automatisiert aufbereitet. Das Verfahren ermöglicht es Ärztinnen und Ärzten, Schlüsselinformationen schneller zu erfassen. Weiterhin verwendet das Forschungsteam maschinelle Lernverfahren, um in vorliegenden Falldaten Muster in Krankheitsverläufen zu entdecken. Darauf basierend lassen sich Vorhersagemodelle für zukünftige Patienten ableiten und Entscheidungsprozesse unterstützen. Als Voraussetzung hierfür entwickelt das Team ein semantisch interoperables Datenmodell: Dieses ermöglicht die Integration der verschiedenen Quell-Anwendungssysteme eines Krankenhauses und die Zusammenführung spezifischer Falldaten aus den Fachabteilungen