Während der COVID-19-Pandemie wurden weltweit enorme Anstrengungen im Kampf gegen die Infektion unternommen. Erstklassige longitudinale klinische und wissenschaftliche Datensätze wurden unter Einsatz großer finanzieller Forschungsmittel erzeugt. Jedoch sind die riesigen Datensätze national und international auf viele verschiedene Kohorten und Institutionen hinweg verteilt und müssen zusammengeführt werden, um die Krankheitspathogenese von Long-/Post-COVID optimal mittels Big-Data-Analyseansätzen zu ergründen. Die hierfür nötige Aggregation von Daten steht häufig in Konflikt mit Datenschutzvorgaben. In diesem Projekt sollen föderierte Lernmodelle auf dezentralen Long-/Post-COVID Datensätzen etabliert und verwendet werden. Es werden zunächst die Unterschiede zwischen den Kohorten identifiziert und die Datensätze für maschinelles Lernen verfügbar gemacht (Teilprojekt 1). Im Teilprojekt 2 wird sich auf die Harmonisierung verschiedener Multi-OMICs-Messungen und weiterer Parameter konzentriert, die dann für die Erstellung von Analysemodellen des maschinellen Lernens verwendet werden. Im Teilprojekt 3 werden die Ergebnisse der anderen Teilprojekte zusammengeführt. Föderierte maschinelle Lernansätze werden für die Analyse dieser großen Datensätze entwickelt, die auf die Phänotypen von Long-/Post-COVID ausgerichtet sind. Die Leibniz Universität Hannover übernimmt hierbei das Teilprojekt 3. Die föderierten Lernmodelle werden eine harmonisierte Untersuchung dieser großen Datensätze ermöglichen, um tiefere Einblicke in die Entstehung der heterogenen Symptomatik dieser Erkrankung zu gewinnen. In diesem Zusammenhang sollen auch Modelle für die individuelle und frühzeitige Vorhersage von Long-/Post-COVID erstellt werden, die zu einer besseren klinischen Diagnose sowie individualisierten, therapeutischen Behandlungen beitragen könnten.