Drittmittelprojekt | laufend | 30.09.2020
- 10.02.2024
Entwicklung eines KI-basierten Entscheidungsunterstützungssystems zur individualisierten Vorhersage wirksamer Antibiotikatherapien (KINBIOTICS)
Projektleitung
Projektmanagement
De Souza So Maia, Rui Francisco
Projektwebseite
Zweck
Forschung
Förderung
Mittelgeber:
Bund
Förderprogramm:
Drittmittel Bund
Im Kontext zunehmender Antibiotikaresistenzen sind Werkzeuge zur Unterstützung bei der Verschreibung von spezifischen und nebenwirkungsarmen Antibiotika von großer Bedeutung. Das KINBIOTICS Projekt konzentriert sich dabei auf besonders schwierige bakterielle Infektionen wie die Sepsis.
KINBIOTICS wird einen umfänglichen Datensatz für das Training von KI-basierten Algorithmen zur Vorhersage der Wirkung von Antibiotika erzeugen und moderne KI-Verfahren für die Vorhersage der Wirksamkeit und Nebenwirkungen für individuelle Patient|innen auf diesem Datensatz trainieren. Der Datensatz setzt sich aus tausenden historischen Fällen aus den drei beteiligten Kliniken zusammen.
Darüber hinaus soll ein offenes Observatorium entwickelt werden, das über die Grenzen der Kliniken hinweg auch von ambulanten Ärzt|innen genutzt werden kann, um die Verschreibung wirksamer Antibiotika zu unterstützen.
Das KINBIOTICS Projekt strebt eine KI-basierte Entscheidungsunterstützung zur Vergabe von Antibiotika innerhalb von wenigen Stunden nach Feststellung einer Infektion an. Da die Kenntnis des spezifischen Erregers essentiell ist für die Ermittlung eines spezifischen Antibiotikums, wird ein neuer Schnelltest für die Sequenzierung des Antibiotikum-Genoms entwickelt und prototypisch in den Kliniken umgesetzt.
Das Projekt ist ein Modellprojekt und wird eine Blaupause für die klinische Integration derartiger Entscheidungsunterstützungssysteme liefern. Genderspezifische Aspekte werden bei den Forschungsarbeiten berücksichtigt. Die entwickelte Software wird als Open Source und in Form von virtuellen Containern zur einfachen Nachnutzung zur Verfügung gestellt.
KINBIOTICS wird einen umfänglichen Datensatz für das Training von KI-basierten Algorithmen zur Vorhersage der Wirkung von Antibiotika erzeugen und moderne KI-Verfahren für die Vorhersage der Wirksamkeit und Nebenwirkungen für individuelle Patient|innen auf diesem Datensatz trainieren. Der Datensatz setzt sich aus tausenden historischen Fällen aus den drei beteiligten Kliniken zusammen.
Darüber hinaus soll ein offenes Observatorium entwickelt werden, das über die Grenzen der Kliniken hinweg auch von ambulanten Ärzt|innen genutzt werden kann, um die Verschreibung wirksamer Antibiotika zu unterstützen.
Das KINBIOTICS Projekt strebt eine KI-basierte Entscheidungsunterstützung zur Vergabe von Antibiotika innerhalb von wenigen Stunden nach Feststellung einer Infektion an. Da die Kenntnis des spezifischen Erregers essentiell ist für die Ermittlung eines spezifischen Antibiotikums, wird ein neuer Schnelltest für die Sequenzierung des Antibiotikum-Genoms entwickelt und prototypisch in den Kliniken umgesetzt.
Das Projekt ist ein Modellprojekt und wird eine Blaupause für die klinische Integration derartiger Entscheidungsunterstützungssysteme liefern. Genderspezifische Aspekte werden bei den Forschungsarbeiten berücksichtigt. Die entwickelte Software wird als Open Source und in Form von virtuellen Containern zur einfachen Nachnutzung zur Verfügung gestellt.
With increasing antibiotic resistance, tools to help prescribe specific antibiotics with minimal side effects are gaining importance. The KINBIOTICS project focuses on particularly difficult bacterial infections such as sepsis. The consortium brings together experts from the clinics as well as biotechnology and health, computer and data sciences. It aims to provide AI-based decision support to prescribe antibiotics within hours of detecting an infection.
- Elkenkamp, Svenja
- Fuchs, Christiane, Prof. Dr.
- Greiner, Wolfgang, Prof. Dr.
- Hornberg, Claudia
- Kalinowski, Jörn, apl. Prof. Dr.
- Schmiegel, Sophie
- Sczyrba, Alexander
- Düsing C, Cimiano P. Federated Learning to Improve Counterfactual Explanations for Sepsis Treatment Prediction. In: Artificial Intelligence in Medicine: 21st International Conference on Artificial Intelligence in Medicine. Lecture Notes in Computer Science . Springer Link; 2023.
- Düsing C, Cimiano P. On the Trade-off Between Benefit and Contribution for Clients in Federated Learning in Healthcare. In: Proceedings of 21st IEEE International Conference on Machine Learning and Applications. 2022.
- Düsing C, Cimiano P. Towards predicting client benefit and contribution in federated learning from data imbalance. In: Association for Computing Machinery, ed. CoNEXT '22: Proceedings of the 18th International Conference on emerging Networking EXperiments and Technologies. New York, NY, USA: ACM; 2022: 23-29.
Im Kontext zunehmender Antibiotikaresistenzen sind Werkzeuge zur Unterstützung bei der Verschreibung von spezifischen und nebenwirkungsarmen Antibiotika von großer Bedeutung. Das KINBIOTICS Projekt konzentriert sich dabei auf besonders schwierige bakterielle Infektionen wie die Sepsis.
KINBIOTICS wird einen umfänglichen Datensatz für das Training von KI-basierten Algorithmen zur Vorhersage der Wirkung von Antibiotika erzeugen und moderne KI-Verfahren für die Vorhersage der Wirksamkeit und Nebenwirkungen für individuelle Patient|innen auf diesem Datensatz trainieren. Der Datensatz setzt sich aus tausenden historischen Fällen aus den drei beteiligten Kliniken zusammen.
Darüber hinaus soll ein offenes Observatorium entwickelt werden, das über die Grenzen der Kliniken hinweg auch von ambulanten Ärzt|innen genutzt werden kann, um die Verschreibung wirksamer Antibiotika zu unterstützen.
Das KINBIOTICS Projekt strebt eine KI-basierte Entscheidungsunterstützung zur Vergabe von Antibiotika innerhalb von wenigen Stunden nach Feststellung einer Infektion an. Da die Kenntnis des spezifischen Erregers essentiell ist für die Ermittlung eines spezifischen Antibiotikums, wird ein neuer Schnelltest für die Sequenzierung des Antibiotikum-Genoms entwickelt und prototypisch in den Kliniken umgesetzt.
Das Projekt ist ein Modellprojekt und wird eine Blaupause für die klinische Integration derartiger Entscheidungsunterstützungssysteme liefern. Genderspezifische Aspekte werden bei den Forschungsarbeiten berücksichtigt. Die entwickelte Software wird als Open Source und in Form von virtuellen Containern zur einfachen Nachnutzung zur Verfügung gestellt.
KINBIOTICS wird einen umfänglichen Datensatz für das Training von KI-basierten Algorithmen zur Vorhersage der Wirkung von Antibiotika erzeugen und moderne KI-Verfahren für die Vorhersage der Wirksamkeit und Nebenwirkungen für individuelle Patient|innen auf diesem Datensatz trainieren. Der Datensatz setzt sich aus tausenden historischen Fällen aus den drei beteiligten Kliniken zusammen.
Darüber hinaus soll ein offenes Observatorium entwickelt werden, das über die Grenzen der Kliniken hinweg auch von ambulanten Ärzt|innen genutzt werden kann, um die Verschreibung wirksamer Antibiotika zu unterstützen.
Das KINBIOTICS Projekt strebt eine KI-basierte Entscheidungsunterstützung zur Vergabe von Antibiotika innerhalb von wenigen Stunden nach Feststellung einer Infektion an. Da die Kenntnis des spezifischen Erregers essentiell ist für die Ermittlung eines spezifischen Antibiotikums, wird ein neuer Schnelltest für die Sequenzierung des Antibiotikum-Genoms entwickelt und prototypisch in den Kliniken umgesetzt.
Das Projekt ist ein Modellprojekt und wird eine Blaupause für die klinische Integration derartiger Entscheidungsunterstützungssysteme liefern. Genderspezifische Aspekte werden bei den Forschungsarbeiten berücksichtigt. Die entwickelte Software wird als Open Source und in Form von virtuellen Containern zur einfachen Nachnutzung zur Verfügung gestellt.
With increasing antibiotic resistance, tools to help prescribe specific antibiotics with minimal side effects are gaining importance. The KINBIOTICS project focuses on particularly difficult bacterial infections such as sepsis. The consortium brings together experts from the clinics as well as biotechnology and health, computer and data sciences. It aims to provide AI-based decision support to prescribe antibiotics within hours of detecting an infection.
- Elkenkamp, Svenja
- Fuchs, Christiane, Prof. Dr.
- Greiner, Wolfgang, Prof. Dr.
- Hornberg, Claudia
- Kalinowski, Jörn, apl. Prof. Dr.
- Schmiegel, Sophie
- Sczyrba, Alexander
- Düsing C, Cimiano P. Federated Learning to Improve Counterfactual Explanations for Sepsis Treatment Prediction. In: Artificial Intelligence in Medicine: 21st International Conference on Artificial Intelligence in Medicine. Lecture Notes in Computer Science . Springer Link; 2023.
- Düsing C, Cimiano P. On the Trade-off Between Benefit and Contribution for Clients in Federated Learning in Healthcare. In: Proceedings of 21st IEEE International Conference on Machine Learning and Applications. 2022.
- Düsing C, Cimiano P. Towards predicting client benefit and contribution in federated learning from data imbalance. In: Association for Computing Machinery, ed. CoNEXT '22: Proceedings of the 18th International Conference on emerging Networking EXperiments and Technologies. New York, NY, USA: ACM; 2022: 23-29.