Anhoren
Teilen
Das Projekt PRETTY, das nun an der Medizinischen Hochschule Hannover gestartet wird, will mit Hilfe von KI die Risikofaktoren der Stammzelltherapie verringern.
Mit 1,4 Millionen Euro unterstützt das Bundesministerium für Bildung und Forschung das Projekt PRETTY, das nun unter Leitung der Medizinischen Hochschule Hannover startet. PRETTY steht für Personalized Prediction of Transplant Toxity und soll über ein Vorhersagemodell die Gefahr von scherwiegenden Nierenschäden nach einer Stammzelltherapie individuell bestimmen können. Ziel ist es, die Risikofaktoren zu verringern und damit die Lebensdauer und Lebensqualität beispielsweise von Leukämie-Patienten zu erhöhen.
Denn gerade bei dieser Krebsart wird meist eine hoch dosierte Chemotherapie eingesetzt, welche die blutbildenden Stammzellen im Knochenmark in der Regel nahezu vollständig zerstört. Gesunden Spenderstammzellen sind für Betroffene daher die einzige Überlebenschance dar. Doch eine solche allogene hämatopoetische Stammzelltransplantation bringt auch Nebenwirkungen mit sich und kann etwa schwere Nierenschäden verursachen. Welches konkrete Risiko für einzelne Patientinnen und Patienten tatsächlich besteht, lässt sich bisher jedoch nicht vorhersagen. Genau das will PRETTY unter Leitung von Prof. Dr. Steffen Oeltze-Jafra, Informatiker am Peter L. Reichertz Institut für Medizinische Informatik (PLRI) der Medizinischen Hochschule Hannover (MHH) ändern.
Digitales Tool für alle Standorte
„Wir konzentrieren uns auf drei bestimmte Leukämieformen“, erklärt Prof. Oeltze-Jafra, Dazu gehören die akute myeloische Leukämie (AML), die akute lymphatische Leukämie (ALL) und das myelodysplastische Syndrom (MDS). Weil für ein Vorhersagemodell möglichst viele Patientendaten genutzt werden müssen, diese aus Datenschutzgründen aber nicht aus mehreren Kliniken zentral zusammengeführt werden dürfen, gehen die Forscher einen anderen Weg. Sie nutzen ein in Vorarbeiten entwickeltes visuelles Tool, das mithilfe maschinellen Lernens komplexe Daten eines Standorts zu einem Vorhersagemodell verarbeitet. Und genau dieses Tool soll aus den Daten der an PRETTY beteiligten Universitätskliniken Halle (Saale), Göttingen, Leipzig und Jena lernen – dezentral, weshalb die MHH ihre Entwicklung dort zur Verfügung stellt. An den Standorten selbst wird die Lösung in die IT-Infrastruktur integriert, Daten werden eingepflegt und die KI so trainiert, dass ein standortspezifisches Vorhersagemodell entstehen kann. Spezielles Informatikwissen sei dafür nicht nötig, betont der Experte für Datenvisualisierung. In einem nächsten Schritt sollen die vier lokalen Modelle dann in einem gemeinsamen Vorhersagemodell zusammengefasst werden.
Maschinelles Lernen berücksichtigt auch den Menschen
Föderiertes Lernen heißt diese Methode des maschinellen Lernens, mit deren Hilfe sich eine umfangreiche und vielfältige Datengrundlage dezentral auswerten lässt, ohne dass die Daten selbst ihren Standort verlassen. Der föderative Ansatz sei zudem hybrid, weil er nicht allein auf Daten setze, betont Prof. Oeltze-Jafra. „Wir berücksichtigen auch die menschliche Komponente, also die ärztliche Expertise am jeweiligen Standort sowie die lokale Perspektive der Patientinnen und Patienten, sprich ihre Erfahrung mit der Therapie und deren Auswirkungen.“ Dank der Kombination von Daten und menschlichen Faktoren soll das Vorhersagemodell dann in der Lage sein, für zukünftige Leukämie-Patienten bereits vor der Stammzelltransplantation individuelle Risikofaktoren für schwerwiegende Nebenwirkungen zu finden und so Lebensqualität und Überlebenschancen zu verbessern. Der Vorteil für das Gesundheitssystem: Krankenhausaufenthalte verringern sich, und die daraus entstehenden Kosten sinken.
Anwendung bei anderen Krebsarten langfristig möglich
Funktioniert das Vorhersagemodell, könnten sich weitere Standorte dem PRETTY-Projekt anschließen. „Je mehr, desto besser“, sagt Prof.Oeltze-Jafra, denn das Ganze sei schließlich eine fortwährende Entwicklung, weil das Tool mit immer mehr Daten auch immer weiter lernen könne. Langfristig lasse es sich auch für personalisierte Prognosen bei anderen Krebsarten einsetzen. „Während das Modell krankheitsspezifisch ist, sind weite Teile des Ansatzes im Projekt nicht auf eine bestimmte Krankheit zugeschnitten.“
