Visual Exploration and AI Prediction Modeling of Real-Life, Multi-Modal Data
Seit generative KI-Modelle wie ChatGPT für die breite Öffentlichkeit zugänglich sind, steht die Künstliche Intelligenz verstärkt im Mittelpunkt sowohl der Öffentlichkeit als auch der Forschung. Dennoch gestaltet sich die Integration dieser technologischen Fortschritte in die klinische Praxis, in der Patientensicherheit, klinische Outcomes sowie das Vertrauen der Ärztinnen und Ärzte oberste Priorität haben, nach wie vor als schwierig. Diese sogenannte „Model-to-Bedside“-Problematik entsteht durch mehrere ineinandergreifende Faktoren: fragmentierte klinische Daten, die isoliert in unterschiedlichen Krankenhaus-Datenbanken gespeichert sind, strenge Datenschutzregelungen, welche die Datenintegration sowie die sichere Datenverarbeitung erschweren, sowie mangelnde Transparenz und Interpretierbarkeit KI-generierter Vorhersagen. Folglich schaffen KI-Modelle oft nicht den Sprung aus der Forschung in die klinische Praxis. Besonders deutlich zeigen sich diese Herausforderungen in der Kardiologie, einem Fachgebiet, in dem multimodale Daten - darunter detaillierte klinische Dokumentation, unterschiedliche bildgebende Verfahren, elektrophysiologische Daten sowie genetische Informationen - routinemäßig kombiniert werden müssen.

Das Ziel von AICARD ist es, die klinische Integration von KI-Modellen in der Kardiologie entscheidend voranzutreiben, indem wir klinische Expertise, modernstes maschinelles Lernen und intuitive Datenvisualisierung miteinander verbinden. Um dies zu erreichen, werden wir eine Plattform mit drei zentralen Komponenten entwickeln:
- Multimodales Data Warehouse
Wir werden ein sicheres und multimodales Data Warehouse erstellen, das klinische Daten aus isolierten Datenbanken zusammenführt. - Explorative Visuelle Datenanalyse
Wir werden ein intuitives Interface entwickeln, das als zentrale Oberfläche zur explorativen Analyse der zusammengeführten Daten für unterschiedliche Stakeholder dient. Mit Hilfe dieses Interfaces können Krankheitsverläufe individueller Patienten dargestellt, neue klinische Phänotypen identifiziert, sowie KI-generierte Vorhersagen visualisiert und besser nachvollzogen werden. - Multimodale KI-Modelle
Auf Grundlage des Data Warehouse werden wir multimodale KI-Modelle entwickeln, die neuartige Zusammenhänge zwischen Patientenmerkmalen und Krankheitsverläufen aufdecken. Diese Modelle bilden die Basis, um relevante klinische Ereignisse wie Rehospitalisierungen, Krankheitsprogression und kardiovaskuläre Mortalität präzise vorhersagen zu können.
Mit unserem interdisziplinären Ansatz wird das Vertrauen des medizinischen Personals sowie der Patientinnen und Patienten in KI-Modelle gestärkt, deren Integration in die klinische Routine erleichtert und somit die klinischen Outcomes maßgeblich verbessert.