Entwicklung einer KI-assistierten Diagnose-Software zur Evaluation klinischer Typologien von ME/CFS-Patient*innen (DETECT-ME/CFS)

Motivation

Die COVID-19-Pandemie hat eine Reihe anhaltender gesundheitlicher Herausforderungen mit sich gebracht, die unter dem Sammelbegriff Long COVID bekannt sind und Millionen Menschen weltweit und auch in Deutschland betreffen. Mädchen und Frauen sind stärker betroffen als Jungen und Männer. Die Myalgische Enzephalomyelitis und das Chronische Fatigue Syndrom (ME/CFS) haben sich als eine der am stärksten beeinträchtigenden Erscheinungsformen von Long COVID herausgestellt, die durch krankhafte Erschöpfung (Fatigue), mangelnde Belastungsfähigkeit (z. B. im Beruf), Schlafstörungen, kognitive Dysfunktion, Kreislaufprobleme und eine Vielzahl weiterer körperlicher Symptome gekennzeichnet sind. Trotz der Bedeutung von ME/CFS bleibt die Diagnose weiterhin eine komplexe Herausforderung, die durch ein uneinheitliches Krankheitsbild und das Fehlen eines eindeutigen diagnostischen Markers verstärkt wird. Mit Künstlicher Intelligenz (Kl) und maschinellen Lerntechnologien (ML) besteht die Möglichkeit, diesen Diagnoseprozess zu optimieren, indem Daten analysiert werden mit dem Ziel, Muster zu erkennen, die valide auf ME/CFS hinweisen.

Ziele und Vorgehen

Das DETECT-ME/CFS-Projekt zielt darauf ab, eine schnelle und zuverlässige Diagnose von ME/CFS in spezialisierten Einrichtungen mit begrenzten Ressourcen und einer hohen Arbeitsbelastung zu ermöglichen.

Im Projekt wird ein innovatives System zur Unterstützung klinischer Entscheidungen (Clinical Decision Support System, CDSS) entwickelt, das klinisches Fachwissen und Entscheidungsprozesse mit Hilfe Künstlicher Intelligenz unterstützt. Diagnostische Genauigkeit und Effizienz sollen auf zwei Arten gesteigert werden: Durch Analysen anonymisierter Patientendaten sollen mit Hilfe Künstlicher Intelligenz Muster und neue diagnostische Merkmale identifiziert werden, um Differentialdiagnosen zuverlässig auszuschließen. Zweitens wird auf Basis automatisierter Literaturrecherchen zu ME/CFS und gestellten Differenzialdiagnosen ein System erstellt, um die diagnostischen Fähigkeiten mit Hilfe Maschinellen Lernens insgesamt zu verbessern. Das CDSS wird praktisch im Klinikalltag getestet und beinhaltet automatisierte Lernmechanismen zu seiner kontinuierlichen Verbesserung.