Künstliche Intelligenz für die Pharmakologie und Medizin

Daten auswerten, Muster aufdecken, neue Erkenntnisse gewinnen

Die Pharmakologie ist vielseitig und reicht vom Screening potenzieller Wirkstoffkandidaten über die Optimierung von Herstellungsverfahren bis hin zur Auswertung klinischer Studien. Dabei spielen jeweils viele unterschiedliche Daten eine Rolle, die es auszuwerten gilt.

Wir unterstützen Sie dabei, große Datenmengen zu analysieren: Dazu gehört die Zusammenführung von strukturierten und unstrukturierten Daten sowie die Modellierung und Ergebnisaufbereitung der identifizierten Zusammenhänge.  

Darüber hinaus können innovative Verfahren aus Data Science und Machine Learning neue, komplexe Muster aufdecken und tiefere Einsichten ermöglichen. So können z.B. völlig neue Erkenntnisse gewonnen werden, die zum Design weiterführender klinischer Studien verwendet werden können.

Gebündelte Expertise in Data Science und Künstlicher Intelligenz

Sie profitieren von unserer Expertise in Künstlicher Intelligenz (KI) und Data Science. Wir generieren für Sie neue Anwendungsmöglichkeiten für Daten aus klinischen Studien, aus dem medizinischem Alltag und aus anderen Medizin-nahen Bereichen. Dabei arbeiten wir eng mit dem Fraunhofer ITMP im Rahmen eines Fraunhofer Partnership zusammen, das auf translationale Medizin und Pharmakologie spezialisiert ist.

In Abstimmung mit unseren Kund*innen beraten wir Sie zu Möglichkeiten bei vorliegenden Datensätzen und individueller Zielsetzung, führen tiefgehende Analysen durch und bereiten Ergebnisse allgemeinverständlich auf. Kontaktieren Sie uns zum Beispiel für die Begleitung klinischer Studien und/oder retrospektiver Analyse.

Vorteile der KI-basierten Datenanalyse in Pharmakologie und Medizin

Unsere KI macht mehr aus Ihren Daten

Mit innovativen Data-Science- und KI-Methoden können Sie noch mehr Informationen und Zusammenhänge aus Ihren Datensätzen extrahieren und diese gezielt nutzen. Profitieren Sie von der langjährigen Expertise unserer Expert*innen.

Neue Erkenntnisse gewinnen

Unsere KI-basierten Analysemethoden eröffenen Ihnen völlig neue Möglichkeiten der Datenauswertung. So können Sie komplexe Muster aufdecken, tiefere Einsichten in Ihre Ergebnisse erhalten und neue Erkenntnisse gewinnen.

Verbesserung künftiger Studien

Sie erhalten Einblicke in Ihre Daten, die für die Planung und Durchführung künftiger Studien helfen können. So können Sie z.B. nach Subpopulationen mit höherer Response-Wahrscheinlichkeit, höherer Drop-Out-Rate oder erhöhtem AE-Risiko suchen.

Anwendungsbeispiel: Risikogruppen der Psoriasis Arthritis erkennen

Erkrankungen wie Psoriasis Arthritis (PsA) haben vielfältige Manifestationen und sind teils noch nicht durch feste Diagnoseschemata abgedeckt. Das Projekt »Frühdiagnostik subklinischer Arthritis« des Fraunhofer-Exzellenz Clusters für immunmediierte Erkrankungen zielt daher darauf ab, ein kombiniertes Biomarkerprofil aus innovativen Bildgebungsdaten und »Liquid Biopsy«-basierten RNA-Analysen zur Frühdiagnostik in Risikopopulationen zu entwickeln. Ein wesentlicher Bestandteil davon ist die Identifizierung von entsprechenden Risikogruppen. Unsere hypothesenfreie Suche nach Muster-basierten Risikogruppen zeigt im Beispiel verschiedene Symptom-Cluster bei Psoriasis-Patient*innen, die mit unterschiedlich hoher Wahrscheinlichkeit an einer Psoriasis Arthritis erkrankt sind oder frühe Anzeichen zeigen.

Weitere Informationen zum Projekt finden Sie auch in unserem Interview im Zukunftsmagazin Fraunhofer Innovisions.

Zum Interview

© Fraunhofer IAIS
Beispielhafter Wissensgewinn durch integrierte Muster-basierte Risikogruppensuche bei der Psoriasis Arthritis (PsA)

Anwendungsbeispiel: Parameter-Optimierung von Krankheitsmodellen

Eine zentrale Voraussetzung für die erfolgreiche Erforschung und Entwicklung von neuartigen Arzneimitteln ist es, die Interaktionen und Wechselwirkungen zwischen Arzneistoffen und dem menschlichen Körper bei vorliegenden Erkrankungen zu verstehen. Dazu gibt es mittlerweile moderne Ansätze in der Pharmakologie, die einen Teil dieser Interaktionen durch mathematische Beschreibungen modellieren.

Innerhalb eines Forschungsprojekts im Bereich rheumatoider Erkrankungen entwickeln Forscher*innen von Sanofi Deutschland und Fraunhofer IAIS gemeinsam Machine-Learning-Verfahren zur effizienten Kalibrierung solcher Krankheitsmodelle. Dabei werden sowohl biomedizinisches Vorwissen als auch Erkenntnisse aus klinischen Studien integriert. Im Projekt werden unterschiedliche statistische Verfahren hinsichtlich ihrer Geschwindigkeit und Genauigkeit verglichen, um zukünftig solche Modelle effektiver zu kalibrieren. Konkret kann damit die Suche nach innovativen Medikamenten beschleunigt werden.

© Fraunhofer IAIS
Mithilfe von Künstlicher Intelligenz lassen sich Krankheitsmodelle optimiert kalibrieren. Dadurch lassen sich Arzneimittel schneller und effektiver herstellen.

Identifizierung von COVID-19-Patient*innen mit höherem Risiko für schwere Verläufe und Folgeschäden

Fraunhofer vs. Corona

Die Suche nach Risiko-Subgruppen hat außerdem zahlreiche weitere Anwendungsmöglichkeiten. In Zusammenarbeit mit der Initiative Fraunhofer vs. Corona analysieren wir im Projekt COVIMMUN komplexe Profile aus Biomarkern, um COVID-19-Patient*innen mit einem höheren Risiko für schwere Verläufe und Folgeschäden frühzeitig zu erkennen und Muster in der Reaktion des Immunsystems zu identifizieren.

Zur COVIMMUN-Projektseite

Expert*innen-Bewertung und objektive Indikatoren in einem Score

Publikation

Klinische Daten enthalten neben objektiven Indikatoren (z.B. Laborwerte) oft auch subjektive Bewertungen durch Expert*innen (z.B. Bewertungen der Krankheitsaktivität von 0 bis 100). Während objektive Indikatoren transparenter und robuster sind, ist die subjektive Bewertung reich an Expert*innenwissen und Intuition.

Bei der größten europäischen Machine-Learning-Konferenz ECML-PKDD haben wir im Oktober 2020 unsere Methode innerhalb des Workshops »Machine Learning for Pharma and Healthcare Applications (PharML)« vorgestellt. Diese vereint subjektive Bewertung und objektive Indikatoren zu einem neuen Score, der die Vorteile beider kombiniert und die Diagnose erleichtern kann.

Zur Publikation