Berlin Health Data Space – KI gegen akutes Nierenversagen

Praxisbeispiel und aktuelle Herausforderungen

• Das akute Nierenversagen ist ein häufig unerkanntes Problem in Krankenhäusern. So erleiden bis zu 20% aller Patientinnen und Patienten während eines stationären Aufenthalts ein akutes Nierenversagen, das innerhalb weniger Stunden oder Tage zu einer Einschränkung der Nierenfunktion führt.
• In den frühen Stadien eines akuten Nierenversagens wird die Erkrankung häufig nicht erkannt, obwohl effektive Therapieoptionen zur Verfügung stehen. Die Mortalitätsraten eines akuten Nierenversagen liegen bei ca. 20% und können für schwere Fälle auf über 50% ansteigen. Durch das Fehlen von Krankenhaus übergreifenden Daten wird die Etablierung eines Algorithmus zur Früherkennung und damit die rechtzeitige Diagnose eines akuten Nierenversagens erschwert.
• Der Use Case zielt darauf ab, Algorithmen zur Früherkennung von akutem Nierenversagen zu etablieren und ein akutes Nierenversagen durch den Austausch von Daten (Laborwerte, Diagnosen, Prozeduren) zwischen Berliner Krankenhäusern früher zu erkennen. So soll prototypisch eine Plattform zum Austausch von Daten und Algorithmen zwischen Krankenhäusern in Berlin und ein KI-basiertes Alarmsystem etabliert werden.

Welchen Mehrwert bietet das „Projekt GAIA-X“?

• Die Bildung eines verteilten Datenraums, auf Basis von GAIA-X zum Austausch von Daten und Algorithmen zwischen den Berliner Krankenhäusern, kann zusammen mit einem KI-basierten Alarmsystem eine bessere Früherkennung und damit eine Reduktion der Mortalität erreichen.
• Bereits bei der Ankunft im Krankenhaus profitieren Patientinnen und Patienten vom besseren Datenaustausch und der Entwicklung von Prädiktionsmodellen zur Früherkennung.
• Darüber hinaus ermöglicht GAIA-X die Krankenhausübergreifende Vernetzung und erfüllt die Rahmenbedingungen, um mittels verteilten Lernens krankenhaustypische Algorithmen bereitzustellen und das medizinische Fachpersonal schon frühzeitig bei der Behandlung zu unterstützen.
• Das Projekt unterstützt die Nutzung einer sicheren Infrastruktur mit einer dezentral organisierten Datenbasis und leistet damit einen Beitrag zur Datensouveränität. Es werden nur notwendige Gesundheitsdaten abgefragt und die Algorithmen zu den Daten bewegt.
• Durch methodische Anwendung des verteilten Lernens können sensible Gesundheitsdaten rechtskonform vor Ort verarbeitet werden, zum Beispiel direkt im Krankenhaus. Eine sichere, vernetzte und multifunktionale Cloud-Umgebung ermöglicht zudem die Nutzung neuester KI-Analyse-Methoden.

Paten

• Prof. Dr. Klemens Budde – Charité – Universitätsmedizin Berlin und Plattform Lernende Systeme
• Dr. Thomas Schmidt – acatech und Plattform Lernende Systeme
• Dr. Johannes Winter – acatech und Plattform Lernende Systeme