3P-CAUSAL untersucht, wie Verfahren zur Anonymisierung und synthetischen Generierung von Gesundheitsdaten das Spannungsfeld zwischen Datenschutz und Datennutzbarkeit beeinflussen. Solche Verfahren sollen den Zugang zu sensiblen Gesundheitsdaten ermöglichen, können dabei jedoch unbemerkt Zusammenhänge von Ursache und Wirkung beeinflussen. Dies ist besonders relevant, da klinische Daten zunehmend für kausale Analysen genutzt werden, auf deren Basis medizinische und gesundheitspolitische Entscheidungen getroffen werden. Um die Generierung belastbarer Evidenz für Forschung und Gesundheitsversorgung zu gewährleisten, entwickelt das Projekt Methoden, um kausale Verzerrungen sichtbar zu machen, zu messen und soweit möglich zu reduzieren. 3P-CAUSAL ist ein interdisziplinäres Konsortium mit Expertise in Epidemiologie und kausaler Inferenz, Informatik und generativer KI sowie klinischen Datenanalysen. Die enge Zusammenarbeit in klar strukturierten Arbeitspaketen sichert Qualität, Reproduzierbarkeit und Anwendbarkeit der Ergebnisse. Ziele des Projekts sind: 1) Entwicklung eines Bewertungsrahmens und geeigneter Metriken zur Analyse, wie Datenschutztransformationen die kausale Aussagekraft beeinflussen und unter welchen Bedingungen verlässliche kausale Schlussfolgerungen möglich sind. 2) Entwicklung von Verfahren zur Erzeugung anonymisierter klinischer Gesundheitsdaten unter expliziter Berücksichtigung kausaler Annahmen. 3) Evaluation und Vergleich verschiedener Anonymisierungsverfahren sowie Quantifizierung von Verzerrungen und deren Einfluss auf Stabilität und Interpretierbarkeit kausaler Ergebnisse. Das Teilprojekt der Uni Trier hat dabei insbesondere als Arbeitsziel hybride kausal-generative Modelle für synthetische Längsschnitt- und EHR-Daten zu untersuchen.