Der Begriff beschreibt Vorgänge, die „im Silizium“, also in Computerchips, ablaufen. Es geht dabei um computergestützte Forschung mittels mathematischer Modelle, Simulationen und Visualisierungen. Sie bringt KI, Daten und Medizin zusammen und ergänzt damit die klassische Forschung im Labor und in der Klinik. In silico-Methoden ermöglichen den Forschenden, Krankheiten besser zu verstehen sowie schnellere Diagnosen und besser wirksame, personalisierte Therapien zu entwickeln
Tierversuche und Humanstudien komplett ersetzen können In silico-Methoden zwar nicht. Sie ergänzen jedoch klassische Verfahren und können dazu beitragen, präklinische und klinische Forschung zielgenauer durchzuführen, die Anzahl notwendiger Versuche zu verringern und Hypothesen schneller zu prüfen. Sie sind somit als wertvolle Erweiterung der bestehenden Forschungsmöglichkeiten zu verstehen.
Durch die Beschleunigung der Forschung können wirksamere und personalisierte Therapien schneller zur Verfügung gestellt werden. Zudem verbessern sie die Diagnostik und Vorhersage von Krankheitsverläufen. Potenziell können In silico-Verfahren anhand eines Patientenprofils die Wirksamkeit unterschiedlicher Therapien vorhersagen und somit vorab bei der Wahl der individuellen Behandlungsoptionen unterstützen.
Ein digitaler Zwilling in der Medizin ist ein virtuelles Abbild einer Patientin, eines Patienten oder eines Organsystems. An ihm können computerbasiert Behandlungen simuliert und auf ihre Wirksamkeit getestet werden, ähnlich wie in einem Flugsimulator. Digitaler Zwilling und lebendiges Original stehen idealerweise im ständigen Datenaustausch.
KI-Technologien sind ein entscheidender Hebel der In silico-Forschung. Sie ermöglichen es, riesige Datenmengen zu analysieren, Muster zu erkennen und hochkomplexe biologische Prozesse in Sekundenschnelle zu simulieren. KI ist damit ein wichtiger Beschleuniger der In silico-Forschung.
Die Zuverlässigkeit ist hoch, hängt aber stark vom Umfang und der Qualität der zugrunde liegenden Daten ab. Eine kontinuierliche Überprüfung der Methoden durch den Abgleich mit realen klinischen Daten ist daher unerlässlich.
Für den Umgang mit Gesundheitsdaten gelten strenge Regelwerke: Nationale Gesetze sowie die in der EU geltende Datenschutz-Grundverordnung (DSGVO) schreiben strenge Voraussetzungen für die Speicherung, Weitergabe und Nutzung vor. Für die computergestützte Gesundheitsforschung kommen zwei Ansätze infrage: Es werden entweder anonymisierte oder personenbezogene Daten genutzt. Werden Daten verwendet, die auf das Individuum zurückschließen lassen könnten, müssen Patientinnen und Patienten zuvor ihre Zustimmung für die Nutzung gegeben haben. In silico-Forschung arbeitet im Anwendungsfall ohne personenbezogene Daten. Anonymisierte Daten werden zur Methodenentwicklung und zum Training verwendet, meistens nicht mehr bei der konkreten Anwendung.
Durch In silico-Modellierungen soll der medizinische Fortschritt entlang der gesamten Wertschöpfungskette beschleunigt werden. In silico- Modellierungen zeichnen sich dabei durch einen schnelleren, effizienteren oder sichereren Transfer von Erkenntnissen in die klinische Anwendung aus.
Nein, die Förderrichtlinien sind bewusst themenoffen angelegt. Die Projekte können sich auf bestimmte Organsysteme wie zum Beispiel Auge oder Haut konzentrieren, aber auch auf Krankheitsbilder wie Krebserkrankungen oder inhaltliche Schwerpunktbereiche wie Frauengesundheit.
Möglicherweise ja. Die Förderung kann auch Use Cases zur Wirkstoffsuche (Drug Discovery), zur Wirkstoff-Testung und zum Drug Repurposing (neue Einsatzgebiete für bekannte Wirkstoffe) umfassen, die durch KI-Modelle unterstützt werden.
Im strategischen Forschungsfeld der Gesundheitsforschung will die Bundesregierung die Potenziale in der datengetriebenen Gesundheitsforschung durch Künstliche Intelligenz, In-silico-Modellierungen und Computersimulationen von biomedizinischen Prozessen heben. Dafür soll vor allem die Schlüsseltechnologie „Künstliche Intelligenz“ zu einem zentralen Werkzeug der zunehmend prädiktiven und präventiven Medizin der Zukunft werden.