Das Forschungsprojekt VIOLET entwickelt einen methodischen Rahmen für den sicheren und erklärbaren Einsatz Künstlicher Intelligenz (KI) in der gynäkologischen Krebsmedizin. Ziel ist es, medizinisches Wissen aus Leitlinien, klinischen Studien und Versorgungsdaten so zu strukturieren, dass es von KI-Systemen verstanden, verknüpft und transparent genutzt werden kann. Damit schließt VIOLET eine zentrale Wissens- und Strukturlücke in der onkologischen Versorgung: die systematische, digitale Verfügbarkeit von evidenzbasiertem Wissen. VIOLET verfolgt einen hybriden KI-Ansatz, der zwei Welten zusammenführt: die symbolische Wissensrepräsentation – also die formale Abbildung medizinischen Fachwissens in Ontologien und Wissensgraphen – und moderne maschinelle Lernverfahren, insbesondere Large Language Models (LLMs) mit Retrieval-Komponenten. Durch diese Kombination können KI-Systeme nicht nur leistungsfähig, sondern auch nachvollziehbar agieren. So wird ermöglicht, dass KI-gestützte Empfehlungen auf Leitlinien und Studien basieren, mit Quellen belegt und maschinenlesbar dokumentiert werden. Zur methodischen Erprobung wird eine kuratierte Testkohorte von etwa 1.000 de-identifizierten Patientinnenfällen genutzt, die gemäß den Standards der Medizininformatik-Initiative (MII) erstellt wird. Als Ergebnisse entstehen: ein offenes Benchmarking-Framework zur Bewertung von Robustheit, Fairness und Leistung der Methoden, ein Forschungsprototyp zur Demonstration der Interoperabilität im klinischen Umfeld sowie ein Evaluationsprotokoll für zukünftige multizentrische Studien. Alle wissenschaftlichen Artefakte – Framework, Wissensgraphen und Datenmodelle – werden unter Open-Source-Lizenz veröffentlicht und über Forschungsinfrastrukturen wie NFDI4Health nachhaltig zugänglich gemacht. VIOLET schafft damit eine methodische Blaupause für erklärbare KI in der Onkologie.

Das Projekt SEIZE-IT entwickelt neuartige KI-gestützte in silico-Methoden zur Integration groß angelegter, multimodaler Gesundheitsdaten, um Diagnose und Prognose von Epilepsie zu verbessern. Dabei werden elektronische Gesundheitsakten, klinische Notizen, EEG-Daten und insbesondere genetische Informationen zusammengeführt, auch um bisher ungenutzte Zusammenhänge aufzudecken. Ziel ist es, folgende drei klinische Fragestellungen zu adressieren: Diagnose nach dem ersten Anfall, Prognose des Epilepsierisikos bei Hochrisikopersonen (z. B. nach Schlaganfall) und Identifikation neuer genetischer Faktoren, die zur Entstehung verschiedener Epilepsieformen beitragen. Methodisch kombiniert das Projekt klassische, gut interpretierbare Machine-Learning-Ansätze mit modernsten Deep-Learning-Techniken, darunter klinische Foundation Models. Diese Modelle sollen verborgene Muster in heterogenen Datentypen erkennen und zuverlässige Vorhersagen ermöglichen. Die entwickelten Modelle werden in internationalen sowie deutschen klinischen Kohorten umfassend validiert. Durch die Einbeziehung genetischer Daten, die in klinischen KI-Projekten bislang selten systematisch genutzt werden, erzeugt SEIZE-IT übertragbare Methoden und Erkenntnisse, die auch für andere Krankheiten und die breitere medizinische Datenwissenschaft relevant sind. Die Ergebnisse sollen für einen möglichen späteren klinischen Einsatz bereitgestellt werden.

Dieses Projekt entwickelt ein benutzerfreundliches Werkzeug, das dabei hilft, Ursache-Wirkungs-Zusammenhänge in komplexen medizinischen Daten aufzudecken – und das unter Wahrung des Datenschutzes. Damit können Forschende besser verstehen, wie Krankheiten entstehen und verlaufen, Risiken genauer vorhersagen und den Nutzen von Behandlungen bewerten. Das System ist speziell dafür ausgelegt, auch mit realen Herausforderungen medizinischer Daten umzugehen – etwa kleine Patientenzahlen, Unterschiede zwischen Kliniken und Ländern, verschiedene Datentypen (z. B. Genetik, Bildgebung, Umwelt- und Lebensstilfaktoren) oder fehlende Informationen. So entstehen zuverlässige und nachvollziehbare Ergebnisse, die die Entwicklung wirksamer Therapien und Strategien im Gesundheitswesen unterstützen. Zum Einsatz kommt das Framework in drei Bereichen: Infektionskrankheiten (z. B. Malaria), Folgeerkrankungen nach Infektionen (z. B. Post-COVID-19) sowie Herz-Kreislauf-Erkrankungen und Notfallversorgung. Datensätze stammen u. a. aus Brasilien, Peru, Deutschland und dem Vereinigten Königreich. Durch die Verbindung moderner Methoden der Kausalanalyse mit drängenden medizinischen Fragen trägt das Projekt dazu bei, Forschung schneller in praktische Anwendungen für die Gesundheit von Menschen weltweit zu übersetzen.

AI-PREDICT verfolgt einen datengetriebenen, auf künstlicher Intelligenz (KI) basierenden Ansatz, um gemeinsame molekulare Mechanismen zwischen der Parkinson-Krankheit (PD) und der chronisch-entzündlichen Darmerkrankung (IBD) zu untersuchen. Obwohl traditionell getrennt erforscht, deuten aktuelle Erkenntnisse auf eine biologische und klinische Verbindung hin, wobei Patientinnen und Patienten mit IBD ein erhöhtes Risiko für die Entwicklung von PD aufweisen. Gemeinsame Faktoren können genetische Prädispositionen, Immunregulationsstörungen, metabolische Veränderungen und Veränderungen des Darmmikrobioms umfassen. Durch die Integration großer internationaler Kohorten mit eigenen Daten des Universitätsklinikums Erlangen zielt AI-PREDICT darauf ab, gemeinsame molekulare Netzwerke, Biomarker und therapeutische Zielstrukturen zu identifizieren und biologisch relevante Patientengruppen zu definieren. Mithilfe fortgeschrittener KI-Methoden zur Datenharmonisierung, -integration und prädiktiven Modellierung soll das Projekt das Verständnis individueller Krankheitsverläufe und der PD-IBD-Komorbidität verbessern und die Entwicklung präzisionsmedizinischer Strategien für frühe Diagnostik und gezielte Therapie unterstützen.