Künstliche Intelligenz (KI), insbesondere Maschinelles Lernen (ML), wird zunehmend genutzt, um aus klinischen Daten Vorhersagemodelle zur Entscheidungsunterstützung zu entwickeln. Die Sepsis ist ein besonders gut geeignetes Ziel für KI-gestützte Vorhersagen, da ihre Sterblichkeit hoch ist, frühzeitige Interventionen die Überlebenschancen verbessern und auf Intensivstationen umfangreiche Überwachungsdaten anfallen, die von Menschen nicht umfassend erfasst und verarbeitet werden können. Neue ML-Methoden zur Verarbeitung von Zeitreihendaten versprechen, die Leistungsfähigkeit von Vorhersagemodellen weiter zu steigern, während eine größere Transparenz in der Kommunikation die klinische Akzeptanz von solchen Modellen fördert. Sobald ein Modell auf klinische Daten angewandt wird, die nicht Teil des Trainings waren, treten jedoch infolge von Daten- und Modellierungsproblemen erhebliche Verluste in der Klassifikationsleistung auf, bekannt als Validierungs- oder Transportversagen. Dadurch scheitert die Translation datenbasierter Erkenntnisse in klinisch nutzbare Vorhersagewerkzeuge oft. Diese allgemeine "Validierungslücke" in der Modellentwicklung soll durch das Projekt überbrückt werden. Die zunächst aus dem Beispiel Sepsis gewonnenen Erkenntnisse für eine verbesserte Modellentwicklung sollen durch Transfer auf andere medizinische Bereiche anwendbar werden. Durch Beiträge zu den vier Projektzielen (4 T: "Time", "Transparency", "Transportation" und "Transfer") soll die Validierung von Vorhersagemodellen gezielt in Richtung klinischer Anwendung beschleunigt werden und so eine zentrale Lücke im Entwicklungsprozess für KI-basierte medizinische Anwendungen geschlossen werden.