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.