Projektdaten

---

Personalisierte Vorhersage der Toxizität bei Transplantationen durch föderiertes Lernen aus Daten, Expertenurteilen und Patientenperspektiven (PRETTY)

---

Leukämiepatient:innen, die sich einer allogenen hämatopoetischen Zelltransplantation (alloHZT) unterziehen, können als schwere Nebenwirkung an Nephrotoxizität leiden. Über die Risikofaktoren, die die Nephrotoxizität bei einzelnen Patienten begünstigen, ist nur sehr wenig bekannt. Die Haupthindernisse für den Erkenntnisgewinn sind das Fehlen einer umfassenden Datenerhebung und -analyse großer Patientenkohorten. Wir werden diese Hindernisse adressieren, indem wir die prospektive Datenintegrationin den Datenintegrationszentren (DIZ) von vier großen Universitätskliniken ermöglichen, vier lokale personalisierte Vorhersagemodelle für Nephrotoxizität bei der alloHZT-Behandlung etablieren und die vier lokalen Modelle in ein einheitliches föderiertes Vorhersagemodell integrieren. Wir werden ein zuvor entwickeltes visuelles Tool zum Lernen von Bayes‘schen Netzwerken (BN) aus Daten und den integriertenlokalen BN-Lernansatz für föderiertes Lernen anpassen und erweitern. Unserer Hypothese nach, wird dieser Ansatz die Vorhersagegenauigkeit gegenüber den nicht-föderierten Modellen verbessern. Im Gegensatz zu den meisten föderierten Lernansätzen, die sich auf Daten konzentrieren, werden wir auch lokales Fachwissen der Behandelnden (Arztperspektive) und der Behandelten (Patientenperspektive, d.h.von Patient:innen berichteter, subjektiv empfundener Schweregrad nephrotoxischer Wirkung) in das Modelllernen integrieren. Wir gehen davon aus, dass unser Ansatz die Lebensqualität und das Überleben von Patient:innen, die sich einer alloHZT Behandlung unterziehen müssen, verbessert, modifizierbare Risikofaktoren für Nephrotoxizität identifiziert, Krankenhausaufenthalte und Krankenhauskosten reduziertund durch Modelltransfer anderen Krebspatient:innen zugutekommen wird.