Sie sind hier: Skip Navigation LinksMedizininformatikzentrum

Forschungsschwerpunkte

​​​​​​​​​​​​​Die Forschungsabteilung Medical Data Science entwickelt datengetriebene Methoden und digitale Infrastrukturen, um die medizinische Versorgung und Forschung nachhaltig zu verbessern. Wir vereinen Expertise aus Medizininformatik, Statistik, Künstlicher Intelligenz, Software Engineering und klinischer Forschung, um komplexe Gesundheitsdaten s​​icher, interoperabel und evidenzbasiert nutzbar zu machen.

Unser Ziel ist es, durch interdisziplinäre Forschung und technologische Innovation die Brücke zwischen Patientend​aten, klinischer Praxis und medizinischer Forschung zu schlagen – für eine präzisere, personalisierte und sichere Gesundheitsversorgung der Zukunft.

Die Arbeit der Abteilung Medical Data Science konzentriert sich zur Zeit auf vier zentrale Forschungsfel​​der:​​

  • ​Digitale Infrastrukturen für Patientenversorgung und medizinische Forschung
  • Analyse von Patientenversorgungsdaten
  • KI-Methoden zur Unterstützung (klinischer) Entscheidungen
  • Generierung synthetischer medizinischer Daten​​

Digitale Infrastrukturen für Patientenversorgung und medizinische Forschung

Wir entwickeln und evaluieren digitale Infrastrukturen, die effiziente Patientenversorgung​​sprozesse unterstützen und eine hochwertige medizinische Forschung ermöglichen. Unsere Arbeit konzentriert sich auf die Integration klinischer Arbeitsabläufe, Dateninteroperabilität und sicheres Informationsmanagement, um Innovationen zu fördern und die Gesundheitsversorgung zu verbessern.


Wichtige Forsch​​ungsschwerpunkte sind:

  • Aufbau und Betrieb föderierter Analyseplattformen (z. B. Personal Health Train, FLAME) zur datenschutzkonformen Auswertung verteilter Patientendaten
  • Methoden und Toolketten zur Verknüpfung von Datensätzen bei Wahrung der Patienten­anonymität

Projektbeispiel​e: PrivateAIM, PA​TH​, AMPEL​, SafeLink (PPRL-Komponente)​

Analyse von Patientenversorgungsdaten

​Unsere Forschung konzentriert sich auf die systematische Analyse von Patientendaten, um Muster zu erkennen, die klinische Entscheidungsfindung zu verbessern und die Versorgungsqualität zu steigern. Durch die Verbindung moderner Datenanalysen mit evidenzbasierten Ansätzen übersetzen wir komplexe medizinische Informationen in praxisrelevante Erkenntnisse, die sowohl die Behandlungsergebnisse der Patient:innen als auch die Qualität der Gesundheitsversorgung insgesamt verbessern.


Wichtige Forschu​​ngsschwerpunkte sind:​​

  • Entwicklung prädiktiver Analysen zur Früherkennung und Ergebnisprognose
  • Auswertung elektronischer Gesundheitsakten zur Identifizierung von Trends und Ineffizienzen in der Versorgung
  • Bewertung der Auswirkungen klinischer Interventionen auf die Patientensicherheit und Genesung
  • Entwicklung datengestützter Tools zur Unterstützung einer personalisierten und effizienten Gesundheitsversorgung​
Projektbeispiele: NutriScoPe​, LinCare​, DiaClusT

KI-Methoden zur Unterstützung (klinischer) Entscheidungen

​Unsere Gruppe entwickelt fortgeschrittene KI-Methoden, um klinische Entscheidungsunterstützung durch die Analyse elektronischer Gesundheitsakten und die multimodale Datenintegration zu verbessern. Dabei werden strukturierte klinische Daten, Bildgebung, Laborergebnisse und Patiententexte multimodal integriert. Mit Machine-Learning- und Deep-Le​arning-Modellen erzeugen wir datenbasierte Erkentnisse, die Ärzt:innen bei Diagno​se, Prognose und Therapieplanung unterstützen. Ein weiterer Schwerpunkt unserer Arbeit liegt auf erklärbarer und vertrauenswürdiger KI, um Transparenz, ethische Fundierung und Einsatzfähigkeit im Gesundheitswesen zu gewährleisten.

Projektbeispiele: LeukoExpert​, AMPEL, Made In Saxony, Tag-White​

Generierung synthetischer medizinischer Daten

Mittels generativer Modellierungstechniken (GANs, VAEs) erzeugen wir realistische, datenschutzwahrende synthetische medizinische Datensätze. Dies adressiert zentrale Herausforderungen der klinischen Forschung, wie begrenzte Datenverfügbarkeit und strikte Datenschutzanforderungen. Die sy​​​nthetischen Daten bewahren die statistischen Eigenschaften realer medizinischer Datensätze, ohne sensible Informationen preiszugeben. Die Forschung unterstützt so die Datenzugänglichkeit sowie die robuste Entwicklung und Implementierung von maschinellem Lernen.

Wichtige Forschungssc​​hwerpunkte sind:

  • Be​wertung der Genauigkeit und der nachgelagerten Verwendbarkeit synthetischer Daten über strukturierte und unstrukturierte Modalitäten hinweg
  • Verbesserung der Verallgemeinerbarkeit, Reproduzierbarkeit und Leistung von Modellen in der medizinischen Diagnose, Prognose und klinischen Entscheidungsunterstützung

Projektbeispiel: SynDat​

​​​​​

Liebigstraße 18, Haus B
04103 Leipzig
Telefon:
0341 - 97 10283
Map
7nach oben