Projekte
CRC 1597 "Small Data" Projekt A02: Identifying best practice treatment strategies by incorporating information from similar healthcare pathways
Förderer: Deutsche Forschungsgemeinschaft (DFG)
Laufzeit: 2023-2027
Wir gehen davon aus, dass sich aus Routinedaten der klinischen Versorgung auch in Small-Data-Situationen ähnliche Behandlungspfade identifizieren lassen, selbst dann, wenn mehrere unterschiedliche Pfade existieren und die Zahl der beobachteten Übergänge pro Pfad im Zeitverlauf abnimmt. Ausgehend von den Behandlungspfaden einer kleinen, klar definierten Gruppe von Patientinnen und Patienten entwickeln wir Methoden, um mithilfe von Multistate-Modellen die Ähnlichkeit der Pfade anderer Patientinnen und Patienten mit dieser Ausgangsgruppe zu quantifizieren. Wir werden die Unsicherheit dieser Ähnlichkeitsmaße bestimmen, Konfidenzintervalle ableiten und darauf aufbauend Hypothesen und statistische Tests formulieren, die eine fundierte Entscheidung über die Ähnlichkeit zweier Behandlungspfade ermöglichen. Darüber hinaus entwickeln wir neue Clustering-Methoden für mehrere Multistate-Modelle, um Gruppen von Patientinnen und Patienten zu identifizieren, die beispielhafte bzw. bestmögliche Versorgungspfade repräsentieren.
Weitere Informationen: https://www.smalldata-initiative.de/projects/a02/
CRC 1597 "Small Data" Integriertes Graduiertenkolleg (IRTG) SMART
Förderer: Deutsche Forschungsgemeinschaft (DFG)
Laufzeit: 2023-2027
Das IRTG SMART hat zum Ziel, Doktorandinnen und Doktoranden im SFB 1597 Small Data eine breite interdisziplinäre Grundlage zu vermitteln, die notwendig ist, um methodische Small-Data-Herausforderungen zu bewältigen. Ein zentrales Anliegen ist die Förderung einer gemeinsamen konzeptionellen Sprache, die Forschenden aus unterschiedlichen datengeleiteten Disziplinen eine effektive Zusammenarbeit über Fachgrenzen hinweg ermöglicht.
Weitere Informationen: https://www.smalldata-initiative.de/career/doctoral-program-smart/
CALM-QE: COPD und Asthma: longitudinale und sektorübergreifende Real World-Daten für Machine Learning-Anwendung zur Qualitätsverbesserung und Erkenntnisgewinnung
Förderer: Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR)
Laufzeit: 2023-2027
CALM-QE ist ein Projekt innerhalb der vom BMFTR geförderten Medizininformatik-Initiative (MII). Ziel ist es, Daten aus der Krankheitsversorgung bzgl. der Fragestellungen des Krankheitsbilds Chronisch obstruktive Lungenerkrankung (COPD) und Asthma bronchiale (Asthma) unter Einhaltung der datenschutzrechtlichen Bestimmungen für besonders schützenswerte personenbezogene Daten für die Forschung nutzbar zu machen und somit einzelne Patientinnen und Patienten angepasste Diagnostik und Therapieempfehlungen zu erarbeiten, sowie individuelle Risikofaktoren zu identifizieren, um diesen dann gezielt entgegenwirken zu können. Mit Hilfe von Verfahren des maschinellen Lernens werden aufgrund der Erschließung und Bereitstellung dieser multidimensionalen sektorübergreifenden Datensätze somit potentiell komplexe Muster identifiziert, die nicht nur eine genauere Endo- und Phänotypisierung von COPD und Asthma Patientinnen und Patienten ermöglichen sondern auch direkte Versorgungsrelevanz haben und zur individuellen Prognose genutzt werden können.
Weitere Informationen: https://www.calm-qe.de/
EVA4MII: EVAluation research based on data from routine clinical care 4 the MII
Förderer: Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR)
Laufzeit: 2023-2027
In Zusammenarbeit mit den Universitätskliniken Jena und Würzburg handelt das EVA4MII-Projekt von dem Aufbau einer Beratungsplattform für Evaluationsforschung basierend auf den routinemäßig erhobenen klinischen Daten der Medizininformatikinitiative (MII).
Weitere Informationen: