Knowledge Integration for Precsion Medicine
Die Forschungsgruppe 'Knowledge Integration in Precision Medicine' (KIP) am UKE widmet sich der Evaluation bestehender Wissensvernetzungen und IT-Infrastrukturen, um klinische und wissenschaftliche Prozesse zu optimieren und neu zu gestalten. Unsere Mission ist zudem, den Einsatz von künstlicher Intelligenz (KI), insbesondere Large Language Models (LLMs), in der Medizin voranzutreiben, um Datenvisualisierungen und -analysen für medizinisch Forschende zu vereinfachen. Dabei liegt der Fokus meist – jedoch nicht ausschließlich – auf onkologischen Erkrankungen, da die Arbeitsgruppenleiterin Frau Riemann als promovierte Medizinphysikerin langjährige Forschungserfahrung in diesem Bereich vorweist.
Das Team arbeitet beispielsweise an der Standardisierung, Vereinfachung und Beschleunigung molekularer Tumorboards und der dazu notwendigen Literaturrecherche, um mehr Patient:innen, bei denen die onkologische Leitlinientherapie versagt hat, Zugang zu einer personalisierten Behandlungsoption zu ermöglichen. Zudem arbeitet die Gruppe an einer innovativen, datenschutzkonformen Plattform zur Hypothesengenerierung mithilfe von Sekundärdaten, die Forschenden einen unkomplizierten Zugang zu den pseudonymisierten Daten sowie eine umfassende Analyse dieser erlaubt.
Unser interdisziplinär aufgestelltes Team arbeitet in enger Kooperation sowohl mit klinikinternen Partner:innen als auch innerhalb von nationalen Konsortialprojekten. Gemeinsam streben wir danach, innovative Lösungen für die vielschichtigen Herausforderungen der modernen medizinischen Forschung zu entwickeln, insbesondere im Kontext der Präzisionsmedizin.
Laufende Projekte
-
Datenschutzkonform und unkompliziert Forschungshypothesen überprüfen: das Datenhotel
Datenschutzkonform und unkompliziert Forschungshypothesen überprüfen: das Datenhotel
Das Datenhotel ist eine vom Institut für angewandte Medizininformatik im Oktober 2022 etablierte, UKE-weit nutzbare Plattform, die datenschutzkonforme Forschung und Hypothesengenerierung anhand von klinischen Sekundärdaten (Soarian, Laborwerte, ICM) ermöglicht. Das Datenhotel befähigt klinisch Forschende dazu:
- Eine Kohortenspezifikation mit Daten von 2008 bis heute druchzuführen
- Die pseudonymisierten Patient:innendaten in einer geschützten Forschungsumgebung (dem "Hotelraum") zu erhalten, sowie
- Die Daten innerhalb der Jupyterumgebung mittels der Programmiersprachen Python, R, oder Julia auszuwerten.
-
Beschleunigung und Vereinfachung des molekularen Tumorboards: MONOCLE
Beschleunigung und Vereinfachung des molekularen Tumorboards: MONOCLE
Wenn die onkologische Leitlinientherapie versagt, wird immer häufiger molekulare Diagnostik durchgeführt, um dem/der Patient:in eine personalisierte Behandlungsoption zu ermöglichen. Dieser Prozess ist sowohl sehr zeitaufwendig als auch bisher national wenig standardisiert. Ziel ist daher eine Beschleunigung, Vereinfachung und Standardisierung des molekularen Tumorboards (MTB) durch eine (Teil-)Automatisierung, sowie die Implementation eines standardisierten Datenmodells, dem Kerndatensatz des Deutschen Netzwerks für personalisierte Medizin (DNPM). Um die Prozesse, die sowohl klinische als auch genetische Informationen über verschiedene Fachbereiche hinweg umfassen, standardisiert abzubilden, wurde an unserem Institut die Webapplikation MOlecular ONcOlogy Clinical Evaluation (MONOCLE) entwickelt. MONOCLE hilft beim Dokumentieren und soll ebenfalls auf das vom DKFZ-entwickelte Tool Knowledge Connector (KC) zugreifen können, welches die langwierige Literaturrecherche bezüglich eines personalisierten Behandlungsansatzes deutlich beschleunigt.
Aufgrund des modularen Aufbaus von MONOCLE kann und soll es für künftige Projekte, in denen ebenfalls eine strukturierte Meldung bestimmter klinischer und genetischer Parameter nötig ist, z.B. nNGM oder §64e, verwendet werden. Geforscht wird zudem an der Erweiterung des KCs mithilfe von Large Language Models (LLMs) bezüglich der automatischen Aktualisierung und Revision von Wissenseinträgen.
Publikationen des KIP Teams
2024
Deep learning-based whole-brain B1 +-mapping at 7T
Krueger F, Aigner C, Lutz M, Riemann L, Degenhardt K, Hadjikiriakos K, Zimmermann F, Hammernik K, Schulz-Menger J, Schaeffter T, Schmitter S
MAGN RESON MED. 2024 [Epub ahead of print].
An LLM-Based Visualization and Analysis Aid for a Secondary Use Clinical Data Platform
Spiegel S, Wendt T, Gundler C, Ückert F, Riemann L
Stud Health Technol Inform. 2024;316:1617-1621.
2023
7T amygdala and hippocampus subfields in volumetry-based associations with memory: A 3-year follow-up study of early Alzheimer’s disease
Göschel L, Kurz L, Dell'Orco A, Köbe T, Körtvelyessy P, Fillmer A, Aydin S, Riemann L, Wang H, Ittermann B, Grittner U, Flöel A
NEUROIMAGE-CLIN. 2023;38:103439.
An Open-Source Software Tool to Facilitate Data Protection Impact Assessments
Riemann L, Hähner F, Schmitz A, Ataian M, Jaster M, Ückert F
APPL SCI-BASEL. 2023;13(20):.
Introduction of MONOCLE – a software to reduce the workload and optimize the processes of the molecular tumor board at the University Hospital Hamburg-Eppendorf
Schmitz A, Lauk K, Heß K, Voß H, Fulla O, Schönbeck N, Ückert F, Gundler C, Riemann L
Ger Med Sci. 2023.
Letzte Aktualisierung aus dem FIS: 30.10.2024 - 23:32 Uhr