AIR_PTE

KI-basierte Risikoprognose zur Behandlungseffektabschätzung

Anwendungsbereich: Gesundheit
Technologiebereich: Machine Learning

AIR_PTE entwickelt Methoden der künstlichen Intelligenz (KI), um die Wirkung von Behandlungsoptionen unter Berücksichtigung individueller Gesundheitsrisiken zu prognostizieren. Die Grundlage bilden Krankenversicherungsdaten in Kanada und Deutschland.

Ausgangslage
Durch die Fortschritte in der medizinischen Forschung gibt es immer mehr innovative und spezialisierte Behandlungsmethoden. Diese positive Entwicklung stellt Medizinerinnen und Mediziner in der Praxis jedoch vor die schwierige Entscheidung, in jedem individuellen Fall die beste Option auszuwählen. Denn die Wirkung einer Behandlung ist abhängig von verschiedenen Faktoren wie Vorerkrankungen und demografischen Daten, daher können die Folgen einer Behandlung individuell sehr unterschiedlich ausfallen. Heute werden Therapieentscheidungen in der Regel auf Grundlage von eigenen Erfahrungen, publizierten Studienergebnissen und Leitlinien getroffen. Diese treffen in der Praxis jedoch nicht immer auf die konkret zu behandelnden Patientinnen und Patienten zu.

Projektziel
Die Abrechnungsdaten der Gesetzlichen Krankenversicherungen der vergangenen zehn Jahre bieten die Möglichkeit, große Fallzahlen, darunter auch seltene Konstellationen, auf Zusammenhänge zwischen Krankheitsverläufen, Behandlungspfaden und Behandlungsergebnissen zu untersuchen. Ziel ist es, innovative KI-Methoden auf diese pseudonymisierten Daten anzuwenden, um die Wirkung von Behandlungsoptionen statistisch signifikant nachweisen zu können. Durch maschinelles Lernen lassen sich dabei auch zeitliche Musterfolgen erkennen, aus denen neue Merkmale und belastbare Prognosemodelle gewonnen werden können. Als Pilotindikation wird zunächst die venöse Thromboembolie mit ihren vielfältigen Behandlungsoptionen genutzt. Im weiteren Verlauf des Projekts werden die Methoden auch für den Einsatz bei anderen Erkrankungen generalisiert. Die KI-basierte Risikoprognose soll nicht nur bei der Therapieentscheidung unterstützen, sondern auch dazu beitragen, Zielgruppen für innovative Versorgungsmodelle zu identifizieren, um kostenintensive Behandlungsoptionen gezielt einzusetzen.

Anwendung und praktischer Nutzen
Ergebnis des Projekts soll ein Rapid Evidence Repository (RER) für den datenschutzkonformen Einsatz am Point-of-Care sein: Der Arzt oder die Ärztin geben dort die Merkmale und Behandlungsziele des konkreten Patienten anonym in eine Maske ein und erhalten sofort Hinweise zur potentiellen Wirkung der zur Auswahl stehenden Behandlungsoptionen. Damit nachvollziehbar wird, wie die individuelle Prognose generiert wurde, werden alle Merkmale angezeigt, die wesentlichen Einfluss darauf hatten. Das RER-Verfahren wird nur mit Einwilligung der Patienten zum Einsatz kommen.

Konsortium: DCC Risikoanalytik GmbH (Konsortialführer), Ingef- Institut für Angewandte Gesundheitsforschung, McGill University Montreal, Dep. of Medicine (Kanada), Macadamian HealthConnect (Kanada)

Ansprechpartner

DCC Risikoanalytik GmbH

Prof.Dr.-Ing. Thomas P. Zahn

09/2020-08/2022