Forschungsstudien
Die Perspektive der Patientinnen in den Mittelpunkt der Endometriose-Forschung stellen
// background
Endometriose ist eine komplexe, sehr individuell verlaufende Erkrankung, über die sowohl in der Gesellschaft als auch unter medizinischen Fachkräften noch immer wenig bekannt ist. In Zusammenarbeit mit Prof. Dr. Sylvia Mechsner vom Endometriose-Zentrum der Charité – Medizinische Universität Berlin haben wir eine der größten Datenbanken mit Erfahrungsberichten von Patientinnen zu Endometriose und Adenomyose aufgebaut.
// research focus
- Darstellung der Diagnose- und Behandlungswege ab dem ersten Symptom
- Ermittlung der Ursachen für Verzögerungen bei der Diagnose
- Untersuchung der sozioökonomischen und sozialpsychologischen Auswirkungen
- Analyse der von Patienten berichteten Ergebnisse multimodaler Therapien
// what we capture
Über 2.800 reale Krankheitsverläufe – von den ersten Symptomen über die Diagnose bis hin zu Arztbesuchen und Behandlungen. Aggregierte soziodemografische Daten aus allen DACH-Ländern. Subjektive Erfahrungen, Ratschläge, die Patienten weitergeben möchten, und Ergebnisse, die in Studiendaten nicht erfasst werden.
// eligibility
Erwachsene mit der Diagnose Endometriose oder Adenomyose oder solche, die sich derzeit in der diagnostischen Abklärung befinden. Offen für Patientinnen und Patienten in ganz Deutschland, Österreich und der Schweiz.
// research team
Prof. Dr. Sylvia Mechsner – Projektleiterin, Charité
Katrina Holmes – Dr. med., Charité / Tübingen
Ann-Katrin Abeler – Doktorandin, Charité
Zeinab Soleimani – Doktorandin, HPI
Zustand
Projektleiter
Einrichtung
Studientyp
Kohorte
Region
erfasste Daten
Status
Veröffentlichungen
Endometriose & Adenomyose
Prof. Dr. Sylvia Mechsner
Endometriose-Zentrum, Charité – Medizinische Universität Berlin
Beobachtend, von Patienten berichtet, longitudinal
Über 2.800 gemeinsame Fahrten
DACH (Deutschland, Österreich, Schweiz)
Symptome, Arztbesuche, Behandlungen, soziodemografische Daten, subjektives Erleben
Geschlossen
Zur Vorbereitung
OPADE-Projekt: Erzähl deine Geschichte mit einer schweren depressiven Störung (MDD)
// background
Weltweit leben 280 Millionen Menschen mit einer Majoren Depression (MDD). Obwohl es eine Vielzahl von Antidepressiva gibt, profitieren weniger als 6 % der Patienten vollständig von ihrer aktuellen Behandlung. Die Remissionsraten bleiben hartnäckig niedrig. OPADE entwickelt ein KI-/ML-gestütztes Prognosetool zur Unterstützung der klinischen Entscheidungsfindung bei MDD. Das Projekt konzentriert sich auf die Darm-Hirn-Achse und untersucht, wie Genetik, Epigenetik, Mikrobiom und Entzündungsnetzwerke zusammenwirken, um das Ansprechen auf die Behandlung zu beeinflussen.
// research focus
- Ermittle Patientenprofile, die die Wirksamkeit von Antidepressiva vorhersagen und optimieren, wodurch die Remissionsrate erhöht und funktionelle Beeinträchtigungen verringert werden
- Erfasse Zusammenhänge zwischen neuroinflammatorischen Indikatoren – Mikrobiom, Metabolomik, Immunprofil, epigenomische und enzymatische Marker – und Behandlungsergebnissen
- Molekulare und nicht-molekulare Biomarker als Prädiktoren für ein Rezidiv bewerten
- Verbesserung der diagnostischen Genauigkeit in der Primärprävention
- Verfolge den Beginn depressiver Symptome rückblickend bis ins Jugendalter zurück
- Ermitteln, wie Blutbiomarker mit anderen krankheitsspezifischen Biomarkern zusammenhängen
// what we capture
Die Patienten teilen ihre täglichen Erfahrungen über einen personalisierten Chatbot – Symptome, Medikamente, Therapien und wichtige Ereignisse –, die in das KI-/ML-Prognosetool einfließen.
// eligibility
Erwachsene und Jugendliche im Alter von 14 bis 50 Jahren mit einer schweren depressiven Störung. Teilnehmerrekrutierung in sechs EU-Ländern und weiteren Ländern weltweit.
// research team
Hier ist die Liste der Forschungspartner
Das Projekt wird von der Europäischen Union finanziert
Zustand
Konsortium
Studientyp
Kohorte
Dauer
Schwerpunktbereich
erfasste Daten
Status
Veröffentlichungen
Major Depression (MDD)
OPADE
Multimodale klinische, KI-/ML-basierte Vorhersagen
350 Patienten im Alter von 14 bis 50 Jahren
24 Monate
Darm-Hirn-Achse · Genetik · Epigenetik · Mikrobiom · Entzündung
Symptome, Arztbesuche, Behandlungen, soziodemografische Daten, subjektives Empfinden (mama health)
Geschlossen
Zur Vorbereitung
Veröffentlichungen
Konforme Vorhersage für die EKG-Auswertung: Eine Studie zur Zusammenarbeit zwischen Mensch und KI bei der klinischen Entscheidungsunterstützung
Trotz des anerkannten Potenzials von auf künstlicher Intelligenz (KI) basierenden Entscheidungshilfesystemen für die Auswertung von Elektrokardiogrammen (EKG) müssen die komplexen Wechselwirkungen zwischen den von der KI generierten Empfehlungen und deren Darstellung für Ärzte über Benutzeroberflächen noch umfassend verstanden werden...
Vom Orakel zum Richter: Verbesserung der klinischen Entscheidungsfindung durch gegensätzliche Erklärungen und ein neuartiges Interaktionsprotokoll
Klinische Entscheidungsunterstützungssysteme (CDSS), die Klassifikatoren auf Basis von maschinellem Lernen (ML) nutzen, haben in verschiedenen medizinischen Bereichen ein erhebliches Potenzial zur Verbesserung der Diagnosegenauigkeit gezeigt. Allerdings gibt es Bedenken hinsichtlich einer Verzerrung durch Automatisierung, eines verminderten Gefühls der Eigenverantwortung und einer übermäßigen Abhängigkeit von diesen Systemen...
Lehren durch Fragen: Durch Abrufunterstützung ergänzte, dialogorientierte Anstöße verbessern den Abschluss der ersten Sitzung in KI-gestützten klinischen Interviews: Eine quasi-experimentelle Vorher-Nachher-Auswertung in drei Krankheitsbereichen
Eine Vorher-Nachher-Studie mit 2.829 Patienten ergab, dass durch „Retrieval-Augmented Educational Nudging“ in einem KI-gestützten klinischen Interview die Abschlussquote der ersten Sitzung bei drei Erkrankungen von 9,0 % auf 22,3 % stieg. Das spricht für einen Ansatz, bei dem „beim Fragen auch gelehrt wird“, erfordert aber noch eine randomisierte Validierung.
