Abgeschlossene Projekte

PATH ​​–​ Personal Mastery Health & Wellness Data

Laufzeit: 12/2022 – 12/2025
Finanzierungsart​:​​ Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR)

​Projektbeschreib​​ung

Das PATH-Projekt zielt darauf ab, das volle Potenzial digitaler Gesundheitsdaten sowohl für die individuelle Versorgung als auch für die Forschung im Bereich der öffentlichen Gesundheit auszuschöpfen. Zu diesem Zweck wird eine DSGVO-konforme, benutzerfreundliche Plattform entwickelt, die persönliche Gesundheitsdaten mit Daten aus Alltagsgeräten wie Smartwatches, Heimtests und Gesundheits-Apps verknüpft.

Im Mittelpunkt des Projekts steht die Schaffung sicherer Infrastrukturen, sogenannter „Datenhubs“, die medizinisch dokumentierten Daten mit selbst erfassten Gesundheitsinformationen integrieren – stets unter der vollständigen Kontrolle des einzelnen Nutzers. Ein grafisches Dashboard bietet den Nutzern einen klaren und leicht zugänglichen Überblick über ihre Gesundheitsdaten und ermöglicht ihnen, selbstständig zu entscheiden, ob und wie ihre Daten weitergegeben werden – sei es zum persönlichen Gesundheitsnutzen (Primärnutzung) oder zu Forschungszwecken (Sekundärnutzung).

Innovation durch digitale Integration

PATH schlägt erstmals eine Brücke zwischen traditionellen klinischen Daten und persönlich generierten Gesundheitsdaten. Diese Integration eröffnet neue Möglichkeiten für:

• ​Personalisierte Medizin und Vorsorge
• Datengestützte Forschung und Entwicklung neuer medizinischer Produkte
• Überwachung nach Inverkehrbringung zur Bewertung der Sicherheit und Wirksamkeit von Medizinprodukten
  

Die Plattform ist vollständig DSGVO-konform und bietet Open-Source-Module zur Verwaltung von Einwilligungen, zur Kontrolle der Datennutzung und zur Gewährleistung von Transparenz. Besonderes Augenmerk wird auf eine sinnvolle und nachvollziehbare Einwilligung gelegt, um Vertrauen aufzubauen und eine aktive Beteiligung der Einzelpersonen zu ermöglichen.

Wissenschaftlich fundiert und praktisch erprobt

PATH basiert auf der Hypothese, dass die Bereitschaft zur Weitergabe persönlicher Gesundheitsdaten weitgehend davon abhängt, ob die Betroffenen die Kontrolle behalten und klare, sinnvolle Möglichkeiten zur Verwaltung ihrer Daten erhalten. Um diese Hypothese zu überprüfen, werden die entwickelten Lösungen anhand realer klinischer Fallstudien mit Patienten mit Diabetes und psychischen Erkrankungen validiert.

Die Abteilung für Medical Data Science der Medizinischen Fakultät der Universität Leipzig ist verantwortlich für ein Projektteil und widmet sich der Entwicklung einer digitalen Lösung zur Verwaltung der Einwilligungen.

​Ausblick

In einer sich wandelnden Gesundheitslandschaft schafft PATH eine Infrastruktur, die es Einzelpersonen ermöglicht, ihre Gesundheitsdaten sicher, transparent und sinnvoll zu nutzen – zu ihrem eigenen Vorteil und zum Wohle der Allgemeinheit. Das Projekt leistet einen wichtigen Beitrag zur Entwicklung eines europäischen Gesundheitsdatenraums und zur verantwortungsvollen digitalen Transformation der Medizin.

​​MDS-Proje​​ktmitglieder

• Masoud Abedi (Masoud.Abedi@medizin.uni-leipzig.de)
• Prof. Dr. Toralf Kirsten (​Toralf.Kirsten@medizin.uni-leipzig.de​)
• Aniruddha Deshmukh
  

Projektpartner

• ​Else Kröner-Fresenius-Zentrum für Digitale Gesundheit (EKFZ) der TU Dresden (Stefanie Brückner, Akrem Dridi, Prof. Dr. Stephen Gilbert, Dr. Cindy Welzel)
• Institut für Internationales Recht, Geistiges Eigentum und Technikrecht der Technischen Universität Dresden (Prof. Dr. Anne Lauber-Rönsberg, Ronja Riedel, Dr. Sven Hetmank)
• Ada Health GmbH, Berlin
• Una Health GmbH
• Movisens GmbH

​Ergebnisse

Wir haben zum neuartigen Standard Health Consent (SHC) beigetragen und an dessen Umsetzung gearbeitet, was zu verschiedenen Softwarekomponenten geführt hat. Die folgende Abbildung zeigt die allgemeine Systemarchitektur. SHC Connect ist ein Modul, das in Apps von Drittanbietern integriert werden kann, um app-spezifische Einwilligungen zu erfassen. SHC Connect verweist auf den SHC-Dienst, der alle erfassten Einwilligungsinformationen verwaltet und speichert.

​

Publikationen

• ​​Welzel C, Ostermann M, Smith HL, Minssen T, Kirsten T, Gilbert S Enabling secure and self determined health data sharing and consent management. npj Digit. Med. 8, 560, 2025. DOI:10.1038/s41746-025-01945-z​.
• Brückner S, Kirsten T, Schwarz P, Cotte F, Tsesis M, Gilbert S The Social Contract for Health and Wellness Data Sharing Needs a Trusted Standardized Consent. Mayo Clinic Proceedings: Digital Health 1, 527–533, 2023. DOI:10.1016/j.mcpdig.2023.07.008​.​
  

Projektbeschreibung​​

Das HeteroMRI-Projekt entstand im Rahmen des LEUKO-Expert-Projekts und wird im Tag-White-Projekt fortgeführt. Die Magnetresonanztomographie (MRT) wird häufig zur Analyse von Veränderungen der ​​​weißen Substanz im menschlichen Gehirn eingesetzt. Allerdings unterscheiden sich MRT-Daten oft erheblich zwischen verschiedenen Scannern und Aufnahmeeinstellungen. Diese Variabilität (Heterogenität) stellt eine große Herausforderung für die automatisierte Bildanalyse und das Training von Machine-Learning-Modellen dar – insbesondere dann, wenn nur begrenzte Datenmengen zur Verfügung stehen, wie es bei seltenen Erkrankungen häufig der Fall ist.

Dieses Projekt befasst sich ​mit dieser Problematik durch die Entwicklung einer Deep-Learning-Methode, die in der Lage ist, Veränderungen der weißen Substanz in MRT-Datensätzen aus unterschiedlichen Scannern robust zu klassifizieren. Die Methode kann für die Klassifikation von Erkrankungen trainiert und evaluiert werden, die Veränderungen der weißen Substanz im Gehirn verursachen – etwa Leukodystrophien oder Multiple Sklerose.

Um diese Herausforderung zu bewältigen, wurde HeteroMRI entwickelt – eine Deep-Learning-Methode, die darauf ausgelegt ist, Veränderungen der weißen Substanz robust über MRT-Daten aus verschiedenen Scannern hinweg zu klassifizieren. Ziel ist es, eine zuverlässige automatisierte Analyse von Erkrankungen der weißen Substanz zu ermöglichen und gleichzeitig den Einfluss scannerabhängiger Unterschiede zu minimieren.

MDS-Projektmitglieder

​Projektpartn​er

Ergeb​nisse

Im Rahmen des Projekts wurde HeteroMRI entwickelt und evaluiert, eine Deep-Learning-Methode zur Klassifikation von MRT-Aufnahmen basierend auf Veränderungen der w​​​eißen Substanz im Gehirn. Die Methode wurde zunächst daraufhin getestet, ob sie zuverlässig zwischen MRTs mit und ohne Auffälligkeiten der weißen Substanz unterscheiden kann.

HeteroMRI verringert die Auswirkungen von Heterogenität in den Daten, die durch unterschiedliche MRT-Scanner und Aufnahmeeinstellungen entstehen. Dies wird durch ein Intensitäts-Clustering der weißen Substanz erreicht, das die Klassifikation unabhängiger von scanner- und protokollspezifischen Unterschieden macht.

Die Ergebnisse zeigen, dass eine robuste Klassifikation von Veränderungen der weißen Substanz auch bei heterogenen, multi-scanner MRT-Daten möglich ist, ohne dass zusätzliche Vorverarbeitungs- oder Harmonisierungsmethoden erforderlich sind. Die Methode ist zudem generalisiert einsetzbar auf bisher unbekannte MRT-Protokolle.

Die Implementierung von HeteroMRI wurde als Open-Source-Software veröffentlicht, um Transparenz, Reproduzierbarkeit und weitere Forschungsarbeiten zu fördern.

Publik​​​ationen

CT-Leber-Segmentierung

Projektbeschreibung​​

Computertomographie (CT) wird für Diagnose, Stadieneinteilung und Therapieplanung von Lebererkrankungen eingesetzt, wobei die präzise Abgrenzung von Leber und Tumoren klinisch entscheidend ist. In diesem Projekt werden zunächst Deep-Learning-Modelle für die Segmentierung entwickelt und zentralisiert evaluiert. Um größere und heterogenere Datensätze aus mehreren Zentren zu nutzen, implementieren wir die Modelle anschließend in einem federierten Lernsetting. Dies ermöglicht das Training über Institutionen hinweg, ohne Patientendaten auszutauschen. Das Training erfolgt sicher über das Personal Health Train (PHT) Framework, wodurch verteilte Daten effektiv genutzt, der Datenschutz gewahrt und robuste, klinisch relevante Modelle entwickelt werden.

MDS-Projektmitglieder

Publik​​​ationen

 PILEA - Implementierung eines digitalen Lotsensystems und Pilotierung der intersektoralen Zusammenarbeit zwischen dem Universitätsklinikum Leipzig und einem mitteldeutschen Praxisnetzwerk​

Projektbeschreib​ung

Seltene Erkrankungen (SE) sind aufgrund ihrer geringen Häufigkeit und komplexen Symptome oft schwer diagnostizierbar. Insgesamt sind über 30 Millionen Menschen in Deutschland und Europa betroffen. Verspätete oder falsche Diagnosen können die Lebensqualität erheblich beeinträchtigen und den Zuga​​ng zu geeigneten Therapien verzögern. Ein Beispiel für eine solche Erkrankung ist die Leukodystrophie, eine Gruppe genetisch bedingter Stoffwechselstörungen.

Leuko-Expert verfolgt das Ziel, ein KI-gestütztes Expertensystem zu entwickeln, das Ärzt:innen bei der Diagnostik von Leukodystrophien unterstützt. Das System basiert auf einem Modell, das mit modernen Data-Science-Methoden, insbesondere maschinellem Lernen, erstellt wurde.

Im Rahmen eines Proof-of-Concepts soll überprüft werden, ob das entwickelte Modell zuverlässig Diagnosen unterstützen kann. Die Hypothese lautet, dass ein integratives KI-Modell aus multimodalen Daten Muster ableiten kann, die eine frühere und präzisere Diagnosestellung ermöglichen. Die dezentrale Analyse über die Personal Health Train-Infrastruktur gewährleistet dabei den Datenschutz. Langfristig soll das Expertensystem klinikübergreifend eingesetzt werden, Patientinnen und Patienten schneller zu spezialisierten Zentren vermitteln und die diagnostische Sicherheit erhöhen. Außerdem besteht das Potenzial, die Methodik auf weitere seltene Erkrankungen zu übertragen.

MDS-Projektmitglieder

​Projektpartner

Ergebnis​se

An den Projektstandorten Aachen, Leipzig und Tübingen wurde ein Register aufgebaut, das systematisch klinische Daten, genetische Befunde und MRT-Aufnahmen von Patient:innen mit Leukodystrophien erfass​​t. Bisher sind mehr als 900 Datensätze in das Register eingepflegt worden. Die Analyse erfolgt dezentral über die Personal Health Train-Infrastruktur, sodass Datenschutz und Effizienz gewährleistet sind.

Auf Basis dieser Daten wurden KI-Modelle entwickelt, die insbesondere bei den Symptomdaten und den genetischen Befunden eine hohe Genauigkeit ​​erreichen. Bei den MRT-Daten zeigt sich aufgrund hoher Heterogenität noch Optimierungspotenzial. Erste Anwendungserfahrungen haben gezeigt, dass behandelnde Ärzt:innen schneller Diagnosen erhalten können und Expert:innen über Standortgrenzen hinweg in die Behandlung einbezogen werden können. Zudem eröffnet das System die Möglichkeit, die entwickelten Methoden auf weitere seltene Erkrankungen zu übertragen.

Ergebnis des Projekts ist zudem der Leuko-Expert-Advisor, eine digitale Anwendung, die Überweisungen an Expertenzentren für Leukodystrophie vermittelt, damit Patient:innen mit einem Verdacht auf Leukodystrophie schneller behandelt werden können. Der Leuko-Expert-Adv​​isor wurde ab August 2024 im Folgeprojekt PILEA ​bis Juli 2025 in einem realen Umfeld getestet.

Referenz​en

Projektbeschre​​ibung​​

​​Das SMITH-Konsortium (Smart M​​edical Technology for Healthcare) verfolgt das Ziel, die medizinische Versorgung von Patientinnen und Patienten durch eine verbesserte Nutzung klinischer Daten nachhaltig zu stärken. Dazu werden die in verschiedenen Universitätskliniken anfallenden Versorgungsdaten systematisch aufbereitet, harmonisiert und für definierte Forschungs- und Auswertungsprojekte bereitgestellt.

Kernstück dieser Arbeiten sind die Datenintegrationszentren, die als neue Organisationseinheiten an den universitätsmedizinisch​en Standorten aufgebaut wurden. Sie stellen die zentrale technologische Schnittstelle dar: Sie erfassen und strukturieren klinische Routinedaten, überführen sie in standardisierte Formate und ermöglichen damit eine datenschutzkonforme, standortübergreifende Nutzung in der medizinischen Forschung. Gleichzeitig koordinieren sie Absprachen zwischen den beteiligten Universitätskliniken, um gemeinsame Standards für Datenformate, Beschreibungssysteme und Zugriffsregelungen zu etablieren. Grundlage jeder Datennutzung ist stets die informierte Einwilligung der Patientinnen und Patienten, die mit der Bereitstellung ihrer Daten einen wesentlichen Beitrag zur Weiterentwicklung der medizinischen Versorgung leisten.

Im SMITH-Konsortium arbeitet ein Netzwerk aus universitären und universitätsmedizinischen Partnern da​​​ran, Forschung und Gesundheitsversorgung zielgerichtet miteinander zu verknüpfen. Anhand klinischer und methodischer Anwendungsfälle werden die entwickelten IT-Lösungen erprobt und ihr Mehrwert für Forschung und Versorgung belegt.

SMITH ist eines von vier durch das Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) geförderten Konsortien der Medizininformatik-Initiative (MII). In der Ausbau- und Erweiterungsphase ​von 2023 bis 2026 wird die medizininformatische Infrastruktur weiter ausgebaut und die Zusammenarbeit mit neuen Partnern – insbesondere aus der regionalen Versorgung – intensiviert. Der Ausbau erfolgt in enger Kooperation mit dem Netzwerk Universitätsmedizin (NUM), um eine noch breitere datenbasierte Gesundheitsforschung in Deutschland zu ermöglichen.

​MDS-Projektmitgli​​​ed

Ergebnisse

Projektbeschreib​ung

PAREMIS war ein vom BMBF gefördertes Projekt, in dem ein Konzept für modellbasierte Register für die klinische Forschung entwickelt wurde. Im Besonderen wurde ein Konzept für seltene Erk​rankungen, darunter das Prader-Willi-Syndrom, das Angelman-Syndrom sowie weitere Krankheitsbilder, erarbeitet. PAREMIS wurde in Kooperation zwischen der Universität Leipzig (IMISE, LIFE), dem Universitätsklinikum Leipzig (UZSE, IT-Management) und dem Institut für Digitale Informationstechnologien (IfDT) durchgeführt.

​MDS-Projektmitglied