Dieses Projekt, das in Kooperation mit der Harvard Medical School, Boston (USA) durchgeführt wird, untersucht den Einsatz von föderiertem und datenschutzfreundlichem maschinellem Lernen zur Computergestützten Stratifikation von Präeklampsie-Patientinnen in multizentrischen Studien. 

Präeklampsie ist eine der häufigsten und schwerwiegendsten Schwangerschaftskomplikationen weltweit, die jährlich über 70.000 Mütter und 500.000 Säuglinge betrifft. Die Erkrankung ist mit einem hohen Risiko für Müttersterblichkeit, Frühgeburten und langfristige gesundheitliche Folgen für Mutter und Kind verbunden. 

Da Präeklampsie verschiedene klinische Subtypen aufweist und sich ihr Verlauf stark unterscheidet, ist eine präzise Risikostratifikation essenziell. Bisherige prädiktive Modelle, die auf Ultraschall- und Biomarker-Analysen basieren, sind teuer, erfordern spezialisiertes Personal und zeigen oft eine geringe externe Validität. Das Projekt zielt darauf ab, ein föderiertes KI-System zu entwickeln, das medizinische Daten aus verschiedenen Krankenhäusern analysiert, ohne dass die sensiblen Patientendaten zentral gespeichert oder weitergegeben werden müssen. Dies ermöglicht eine sichere und datenschutzkonforme, grenzüberschreitende Zusammenarbeit.

Durch den Einsatz von KI zur Identifikation von Risikopatientinnen könnten frühzeitige Interventionen ermöglicht, die Mütter- und Säuglingssterblichkeit gesenkt und Frühgeburten reduziert werden. Zudem soll das Projekt als Modell für die sichere Nutzung von KI in der Medizin dienen und den Weg für zukünftige personalisierte Therapieansätze ebnen.
 

Kontakt: Mohammad Tajabadi

Förderkennzeichen: HE 6220/13-1