Klinische Use Cases

In den Datenintegrationszentren (DIZ) der Medizininformatik-Initiative (MII) sollen Versorgungsdaten datenschutzgerecht für die medizinische Forschung bereitgestellt werden. Während der Ausbau- und Erweiterungsphase wird die Funktionsfähigkeit der DIZ in neuen Anwendungsfällen (Use Cases) der MII überprüft und weiterentwickelt. In Modul 3 der MII werden acht klinische Use Cases und drei Methodenplattformen gefördert.

In den klinischen Use Cases soll durch medizinisch relevante Anwendungsfälle der Mehrwert einer gemeinsamen Nutzung von gesundheitsrelevanten Daten über die Grenzen der Konsortien hinaus in Forschung und Versorgung erprobt werden. Die Methodenplattformen werden zentrale technisch-methodische Bedarfe der MII Konsortien-übergreifend adressieren und Lösungen entwickeln, die für die standortübergreifende Datennutzung grundlegend sind.

Zur Prävention und Behandlung von Herz-Kreislauf-Erkrankungen nutzen Ärztinnen und Ärzte sogenannte Risikoscores für die individuelle Risikoabschätzung der Patientinnen und Patienten. Im Projekt soll die kardiologische klinische Routinedokumentation standortübergreifend strukturiert und standardisiert werden. Zudem soll die Infrastruktur zur automatisierten Analyse von Biosignaldaten, wie dem EKG, ausgebaut und in die DIZ-Infrastruktur an den Kliniken integriert werden. Mit diesen Datenquellen sollen Risikomodelle verbessert werden, die Entwicklung und Verlauf von Herz-Kreislauf-Erkrankungen vorhersagen können und zukünftig so eine bessere Behandlung unterstützen.

Das Projekt will klinische Daten von Patientinnen und Patienten mit häufig auftretenden Augenkrankheiten, die eine IVOM-Therapie (intravitreale operative Medikamenteneingabe) erhalten, für die wissenschaftliche Auswertung zugänglich machen, um den Therapieerfolg zu verbessern. Bei der intravitrealen Injektion wird ein Medikament direkt in den Glaskörper des Auges verabreicht. Dadurch soll das Sehvermögen erhalten oder verbessert werden. Für EyeMatics soll eine Analyseplattform bereitgestellt werden, um Daten aus verschiedenen stationären und ambulanten Versorgungssystemen zu integrieren.

Wenn Patientinnen und Patienten viele unterschiedliche Medikamente verwenden, können Arzneimittelwechselwirkungen auftreten. Ziel von INTERPOLAR ist, diese automatisiert zu erkennen, um unerwünschten Wirkungen vorzubeugen. Um dies zu erreichen, werden Patientinnen und Patienten mit besonders hohem Risiko für Medikationsfehler und Nebenwirkungen identifiziert. So können die limitierten Ressourcen an Stationsapothekerinnen und -apothekern auf die Risikopatientinnen und -patienten gelenkt werden, um einen maximalen Patientennutzen zu erreichen.

Das Projekt soll dazu beitragen, dass der subjektive Gesundheitszustand von Patientinnen und Patienten („Patient Reported Outcome“) in allen deutschen Universitätskliniken mit Hilfe von Fragebögen auf einfache Weise gemessen und zusammen mit Outcome-relevanten klinischen Parametern ausgewertet werden kann. Der Nutzen dieser systematischen Erfassung soll anhand von drei klinischen Beispielen untersucht werden: Patientinnen und Patienten mit Anorexia nervosa (Magersucht), mit dauerhaften körperlichen Beschwerden und nach Nierentransplantation.

Das Projekt zielt darauf ab, eine dauerhafte Infrastruktur zu schaffen, um Daten aus klinischer und biomedizinischer Forschung zu integrieren und auszutauschen. Damit soll die Grundlage zur Etablierung der personalisierten Medizin in der Krebsbehandlung gelegt werden.

Ziel ist es, eine datengesteuerte, risikostratifizierte Infektionskontrolle zu entwickeln und umzusetzen, um die Zahl der im Krankenhaus auftretenden Bakteriämien (Anwesenheit von Bakterien im Blutkreislauf) möglichst effektiv und effizient zu reduzieren. Dazu soll ein automatisiertes Überwachungssystem eingerichtet und validiert werden.

Treten Atempausen (Apnoen) im Schlaf mehr als fünfmal in der Stunde auf, dann spricht man von einer obstruktiven Schlafapnoe (OSA). Somnolink will die patientenzentrierte Diagnose und Behandlung von OSA optimieren. Insbesondere bei Frauen soll OSA besser erkannt werden. Außerdem sollen Entscheidungsunterstützungssysteme mithilfe von künstlicher Intelligenz für ein besseres Verständnis über die individuellen Ursachen der OSA, die damit verbundenen Gesundheitsrisiken und die bestgeeignete Therapie sorgen.