Das Verbundvorhaben RESOLVE-PCC zielt darauf ab, die Langzeitfolgen von COVID-19 besser zu verstehen und die Grundlage für maßgeschneiderte Interventionsstrategien zu entwickeln. Im Vorhaben der Universität Leipzig wird dafür ein Multitask-Lern-Framework entwickelt, das maschinelle Lernverfahren zur Erkennung und Analyse von Post-COVID-Syndrom (PCS)-Symptomen einsetzt. Durch Optimierung des Frameworks sollen verlässliche prädiktive Merkmale identifiziert werden, die in nachfolgenden kausalen Analysen verwendet werden können. Zudem werden über die Analyse genetischer Daten, insbesondere in immunologisch relevante Genomregionen, genetische Risikofaktoren für Long-/Post-COVID identifiziert und für weiterführende Analysen bereitgestellt. Die prädiktiven Merkmale aus den vorherigen Arbeitspaketen werden auf kausale Zusammenhänge mit PCS-Symptomen hin untersucht. Dies erfolgt unter Einsatz von Methoden wie der Mendelschen Randomisierung, um robuste kausale Netzwerke zu erstellen, die genetische und klinische Daten integrieren. Das Vorhaben übernimmt die Koordination des Verbundprojekts sowie die Organisation von Workshops und Datathons.

Das Verbundvorhaben RESOLVE-PCC zielt darauf ab, die Langzeitfolgen von COVID-19 besser zu verstehen und die Grundlage für maßgeschneiderte Interventionsstrategien zu entwickeln. Dieses Vorhaben konzentriert sich auf die Rolle immunitätsbezogener Parameter, die an der Entwicklung postinfektiöser Syndrome im Long-/Post-COVID-Zustand (PCC) beteiligt sind. Die Analyse basiert dabei auf Daten aus zwei bevölkerungsbasierten Kohorten: der Nationalen Kohorte (NAKO) und der DigiHero-Studie. Die NAKO bietet eine umfassende Phänotypisierung vor der SARS-CoV-2-Pandemie und eine Bewertung der Symptome nach einer Infektion. Insgesamt wurden zwischen 2014 und 2019 200.000 Teilnehmende im Alter von 20 bis 69 Jahren in den NAKO-Studienzentren untersucht. DigiHero ist eine 2021 ins Leben gerufene virtuelle Plattform für Gesundheitsforschung. Bisher hat DigiHero eine bevölkerungsbasierte Stichprobe von über 90.000 Teilnehmende aus 13 Bundesländern rekrutiert, mit einer Abdeckung einer breiten Palette von Regionen, einschließlich ländlicher Gebiete. Beide Datenbanken werden mit Ansätzen der künstlichen Intelligenz (KI) verwendet, um Prädiktoren für PCC in RESOLVE-PCC zu untersuchen. Der spezifische Beitrag dieses Vorhabens besteht darin, diese Datensätze zu harmonisieren und die Beziehungen zwischen immunitätsbezogenen Parametern wie vorangegangenen Infektionen, Virusvarianten und Impfungen mit dem PCC-Risiko zu analysieren. Die Ergebnisse werden mit denen der anderen RESOLVE-PPC-Teilprojekte der Verbundpartner verglichen.

Das Vorhaben der Universität Münster erforscht die mentale Gesundheit im Kontext von Post-COVID-Syndromen (PCS) und zielt darauf ab, Prädiktoren und die Rolle mentaler Gesundheit als kausalen Faktor und Mediator für Long-/Post-COVID-Symptome nach einer SARS-CoV-2-Infektion zu identifizieren. Die wissenschaftlichen Ziele umfassen die Identifikation von Prädiktoren für mentale Gesundheitssymptome, die Untersuchung von mentaler Gesundheit als kausalem Faktor für Long-/Post-COVID-Symptome, die Verwaltung der Daten der Nationalen Kohorte (NAKO) für RESOLVE-PCC-Partner und die Bereitstellung von Informationen über Stimmungs- und Angststörungen sowie die gesundheitsbezogene Lebensqualität aus den NAKO-Follow-Up Untersuchungen zur Unterstützung der Prävention und Therapie von mentalen Gesundheitsproblemen im COVID-19-Kontext. Das Vorhaben nutzt und managt NAKO-Daten, die vom Startzeitpunkt, den ersten passiven und zwei Zwischenbefragungen, sowie teilweise vom ersten aktiven Follow-Up für Forschungszwecke verfügbar sind. Detaillierte Daten zur mentalen Gesundheit aus jedem aktiven und passiven Follow-Up liegen vor. Depressionen und depressive Symptome werden mittels klinischer Diagnose und spezifischen Untersuchungen (MINI und PHQ-9) bewertet, während Angststörungen anhand von speziellen Analysen (GAD-7 und PHQ-PD) definiert werden. Für RESOLVE-PCC steuern wir unser spezifisches Fachwissen und Erfahrungen bei der Aufbereitung relevanter Daten aus den NAKO-Untersuchungen bei.

Das Verbundvorhaben RESOLVE-PCC zielt darauf ab, die Langzeitfolgen von COVID-19 besser zu verstehen und die Grundlage für maßgeschneiderte Interventionsstrategien zu entwickeln. Seit dem Beginn der Corona-Pandemie leiden viele Menschen nach einer Infektion unter anhaltenden Beschwerden, die als Long-/Post-COVID zusammengefasst werden. Das übergeordnete Ziel des Konsortiums besteht darin, den Long-/Post-COVID-Zustand (PCC) besser zu definieren, indem die wichtigsten Symptome, die häufig damit in Verbindung gebracht werden, erklärt werden. 1) Welche Symptome von PCC hängen direkt mit der Corona-Infektion zusammen oder werden durch andere Faktoren verursacht? 2) Was beeinflusst, die Dauer und Stärke der Symptome? 3) Gibt es unterschiedliche Patientengruppen mit PCC, die gegebenenfalls unterschiedliche Behandlungsmethoden erfordern? Um diese Fragen zu beantworten, werden Daten zweier großer Bevölkerungsstudien, der NAKO Gesundheitsstudie (NAKO) und DigiHero, mit zusammen etwa 300.000 Personen, darunter mehr als 23.000 mit PCC nach einer berichteten Corona-Infektion, analysiert. Das Vorhaben in Göttingen zielt darauf ab, das Verständnis von Long-/Post-COVID (PCC) durch den Einsatz kontrafaktischer maschineller Lernmethoden zu vertiefen. Dazu werden Daten der NAKO Gesundheitsstudie, die Informationen zu SARS-CoV-2-Infektionen, Impfungen und PCC-Symptomen sowie frühere medizinische Zustände umfassen, verwendet. Ziel ist es, mithilfe dieser Daten und maschineller Lernmodelle zu analysieren, welche Faktoren zur Entstehung von PCC-Symptomen beitragen, ob diese kausal mit der Infektion zusammenhängen und wie Persönlichkeits- und mentale Gesundheitsmerkmale darauf einwirken. Das Projekt setzt auf Methoden der interpretierbaren KI, um die einflussreichsten Faktoren zu identifizieren und vergleicht die Ergebnisse mit Analysen von Verbundpartnern, um das Verständnis von Long-/Post-COVID zu vertiefen.

Das Verbundvorhaben RESOLVE-PCC zielt darauf ab, die Langzeitfolgen von COVID-19 besser zu verstehen und die Grundlage für maßgeschneiderte Interventionsstrategien zu entwickeln. Dieses Vorhaben hat zum Ziel, interpretierbare maschinelle Lernverfahren (IML) für die Identifizierung von Symptomen und Risikofaktoren einzusetzen, die mit dem Long-/Post-COVID-Syndrom (PCS) in Verbindung stehen. Bei diesem Ansatz wird die einzigartige Kombination aus umfangreichen epidemiologischen Basisdaten, SARS-CoV-2-bezogenen Fragebögen und Daten von Krankenversicherungen genutzt, d. h. Daten zu Gesundheitsleistungen, die in der deutschen Nationalen Kohorte (NAKO) verfügbar sind. Zur Identifizierung von Symptomen, die auf SARS-CoV-2-Infektionen zurückzuführen sind, wird zunächst das Paradigma des überwachten Lernens umgekehrt und der SARS-CoV-2-Infektionsstatus auf der Grundlage vorherrschender PCS-Symptome prädiziert, um Assoziationen mit Hilfe von IML-Methoden zu finden. Zweitens werden zur Identifizierung von Risikofaktoren IML-Methoden auf der Grundlage von bedingten Verteilungen verwendet, die eine Confounder-Adjustierung ermöglichen. Für beide Ziele sollen sogenannte modellagnostische Methoden verwendet werden, die nicht auf bestimmte Modellklassen beschränkt sind, sondern für alle Arten von maschinellen Lernmodellen funktionieren. Daher kann diese Technik auch zur Unterstützung anderer Partner des RESOLVE-PCC-Konsortiums eingesetzt werden.

Im Verbundvorhaben RESOLVE-PCC geht es darum herauszufinden, welche Faktoren das Risiko für Long-/Post-COVID erhöhen und welche Ursachen für die Anfälligkeit für Long-/Post-COVID-Symptome, deren Schweregrad und deren Dauer verantwortlich sind. Übergeordnetes Ziel ist es, die Symptome besser vorhersagen, erkennen und dann maßgeschneidert behandeln zu können. In diesem Vorhaben geht es speziell darum, maschinelle Lernverfahren bzw. künstliche Intelligenz auf Daten aus der Nationalen Kohorte (NAKO) und aus den DigiHero-Studien anzuwenden. Ziel ist es, mit den Daten eine Vorhersage des Auftretens, des Ausmaßes und der Dauer der Symptome durch Computer zu trainieren. Ein Schwerpunkt des Projekts ist die Analyse von neuropsychiatrischen Symptomen und von Bildgebungsdaten vom Gehirn. Es werden Ansätze erprobt, die eine datenschutzfreundliche Nutzung der entwickelten Verfahren nutzen: Die entwickelten Verfahren werden sinngemäß verschlankt, transportfähig gemacht und mit klar beschriebenen, standardisierten Schnittstellen für die Daten-Ein- und Ausgaben versehen, um sie mit wenig Aufwand überall dort installieren zu können, wo die entsprechenden Patientendaten anfallen. So soll verhindert werden, dass Daten an andere Standorte übertragen und dadurch gefährdet werden.