Fakten
Leitung
Prof. Dr. Maria-Esther Vidal
Projektbearbeitung
Prof. Dr. Maria-Esther Vidal (Scientific Data Management Group), Samaneh Jozashoori (Scientific Data Management Group), and Ahmad Sakor (Scientific Data Management Group)
Förderung durch
EU (Horizon 2020)
Laufzeit
Januar 2020 - Dezember 2022
Homepage
CLARIFY integriert und analysiert große Mengen heterogene multivariate Daten, um die Früherkennung von Risikofaktoren zu ermöglichen, die möglicherweise den Zustand des Patienten nach der Krebsbehandlung verschlechtern. Dies hilft bei der effizienten Einordnung von Krebsüberlebenden nach Risiko, um die Nachversorgung durch bessere Beurteilung der Bedürfnisse zu personalisieren.
Beschreibung
2018 wurden weltweit 17 Millionen neue Krebsdiagnosen gestellt. Die Überlebensraten der Krebspatienten waren sehr schlecht bis in den letzten Jahrzehnten neue Diagnosetechniken und Therapien entwickelt wurden. Schätzungen zu Folge leben 50% der erwachsenen Patienten in den USA und Europa länger als fünf Jahre nach der Diagnose. Diese Situation bringt eine neue Herausforderung: die Verbesserung der Lebensqualität und des Wohlbefinden der Krebspatienten nach der Behandlung. CLARIFY zielt darauf ab überlebende Krebspatienten von drei weit verbreiteten Krebsarten zu identifizieren: Brustkrebs, Lungenkrebs und Lymphome. Die Patientendaten werden von verschiedenen Krankenhäusern gesammelt und basieren auf laufenden Bedürfnissen im Gesundheits- und Pflegewesen dieser speziellen Patienten. Es werden persönliche Faktoren ermittelt, die einen schlechten Gesundheitszustand nach einer bestimmten Krebsbehandlung vorhersagen. Um dieses Ziel zu erreichen werden Techniken für Big Data und Künstliche Intelligenz verwendet, um alle verfügbaren Informationen eines Patienten mit öffentlich verfügbaren relevanten biomedizinischen Datenbanken und Informationen von tragbaren Geräten, die nach der Behandlung genutzt werden, zu integrieren. Zur Vorhersage von patient-spezifischen Risiken zur Entwicklung von Nebenwirkungen oder Toxizitäten, werden wir neue Modelle erstellen, die auf statistischem relationalem Lernen und erklärbaren KI-Techniken über Wissensgraphen basieren. Die Modelle verwenden Hintergrundwissen über die zugehörige Krebsbiologie und helfen daher Ärzten eine evidenzbasierte Nachbehandlungsentscheidung zu treffen wie sie mit existierenden Verfahren nicht im Ansatz möglich ist. Zusammenfassend kann man sagen: CLARIFY integriert und analysiert große Mengen heterogene multivariate Daten, um die Früherkennung von Risikofaktoren zu ermöglichen, die möglicherweise den Zustand des Patienten nach der Krebsbehandlung verschlechtern. Dies hilft bei der effizienten Einordnung von Krebsüberlebenden nach Risiko, um die Nachversorgung durch bessere Beurteilung der Bedürfnisse zu personalisieren.
Das Team der TIB leitet die Aufgaben zur Unterstützung der Integration von heterogenen Datenquellen und der Semantifizierung von Big Data auf Anfrage. Diese Aufgaben beinhalten: i) Erzeugung einer Förderation von Wissensgraphen; ii) Anfragebearbeitungstechniken für Wissensgraphen; iii) Techniken für die Datenintegration. Als Ergebnis dieser Aufgaben werden wissensgesteuerte Infrastrukturen für die Dateneingabe, -kuration und semantische Beschreibung von Big Data zur Verfügung gestellt. Diese Infrastrukturen erlauben die Erkundung der Bedeutung der integrierten Daten, sowie die Entdeckung von relevaten Mustern zwischen Patienten. Außerdem nimmt das Team der TIB teil an der Verbreitung und Training der Ergebnisse von CLARIFY in verschiedenen wissenschaftlichen Gemeinschaften und Interessenvertretern.
Kooperationen
- SERVICIO MADRILENO DE SALUD (HUPHM)
- UNIVERSIDAD POLITECNICA DE MADRID
- HOLOS SOLUÇÕES AVANÇADAS EM TECNOLOGIAS DE INFORMAÇÃO, S.A
- NATIONAL UNIVERSITY OF IRELAND GALWAY
- UNIVERSITY COLLEGE LONDON
- UNIVERSITY COLLEGE DUBLIN, NATIONAL UNIVERSITY OF IRELAND, DUBLIN
- ACCENTURE
- Grupo Oncológico para el Tratamiento y Estudio de los Linfomas
- STELAR SECURITY TECHNOLOGY LAW RESEARCH UG
- GRUPO ESPANOL DE INVESTIGACION EN CANCER DE PULMON
- Kronohealth SL