Krebstherapien wie Chemotherapie und Immuntherapie können schwere Nebenwirkungen verursachen, die die Lebensqualität vermindern und Behandlungen unterbrechen. Moderne Therapien haben zwar das Überleben verbessert, bergen jedoch individuelle Risiken, die maßgeblich von Alter, Geschlecht, Vorerkrankungen und Begleitmedikation abhängen. Diese Diversitätsfaktoren werden bei der Therapieplanung bisher unzureichend berücksichtigt, was vermeidbare Toxizitäten und suboptimale Behandlungsergebnisse zur Folge hat. Ziel dieses Projekts ist die Entwicklung personalisierter Risikoabschätzungen für therapiebedingte Nebenwirkungen bei Patientinnen und Patienten mit gastrointestinalen Tumoren, Lungenkrebs, Sarkomen sowie Kopf-Hals-Tumoren (hier erfolgt die Therapieapplikation in der interdisziplinären Therapieeinheit). Untersucht wird: 1) Welche klinischen, bildgebenden und Patienten-berichteten Daten die Wahrscheinlichkeit und Schwere von Nebenwirkungen am besten vorhersagen. 2) Wie Faktoren wie Körperzusammensetzung, Begleitmedikation und Patientensymptome das Toxizitätsrisiko beeinflussen. 3) Ob sich Frühwarnmodelle in die klinische Praxis implementieren lassen und die Therapietreue verbessern können. Zur Beantwortung werden Bilddaten aus CT-Scans integriert, analysiert mit einer etablierten Deep-Learning-Pipeline zur Quantifizierung von Skelettmuskelmasse, Knochendichte und Fettkompartimenten sowie detaillierte Behandlungsdaten aus elektronischen Patientenakten sowie Patient Reported Outcome Measurements zu Symptomen und Wohlbefinden. Das Projekt ist eine Kooperation zwischen der Klinik für Onkologie, dem University Cancer Center, dem Medical Data Integration Center und dem Zentrum für interventionelle Radiologie. Es werden zuverlässige Algorithmen zur Identifikation von Hochrisikopatientinnen und -patienten vor Therapiebeginn erstellt. Diese Werkzeuge ermöglichen frühzeitige Dosisanpassungen und präventive Maßnahmen sowie eine individualisierte Nutzen-Risiko-Abwägung.