Netzwerk Universitätsmedizin (NUM): Teilprojekt Radiological Cooperative Network (RACOON)

Grunddaten zu diesem Projekt

Beschreibung

RACOON wird als weltweit erstes Projekt dieser Größenordnung eine landesweite Infrastruktur zur konsequent strukturierten Erfassung radiologischer Daten von COVID-19-Fällen errichten, an die sich künftig zahlreiche Mehrwertdienste anschließen werden – beispielsweise epidemiologische Frühwarnsysteme oder medizinische Assistenzsysteme auf Basis künstlicher Intelligenz. RACOON bedient sich dabei einer Technologie, die die strukturierte Erfassung ab initio ermöglicht, d.h. jeder Messwert wird bereits im Augenblick seines Entstehens durch einen Radiologen mit Kontextinformationen annotiert, die seine klinische Bedeutung definieren und so die Nachvollziehbarkeit, Qualität und langfristige Verwertbarkeit gewährleisten. Erstens stellen die bundesweit erhobenen, nahezu in Echtzeit befundeten, analysierten und zusammengetragenen Daten zu COVID-19-verdächtigen Pneumoniefällen eine wertvolle Entscheidungsgrundlage für epidemiologische Studien, Lageeinschätzungen und Frühwarnmechanismen dar. Mögliche Erkrankungswellen können frühzeitig erkannt und in ihrer Signifikanz beurteilt werden, auch ein langfristiges passives Monitoring ist möglich. Dies kann in dieser Breite und Nachhaltigkeit durch alternative, aktiv betriebene Testkampagnen nur eingeschränkt gewährleistet werden. Forschungsgruppen werden auf Basis des RACOON-Datenbestands die Daten weiter aufbereiten, um “actionable insights” für Politik und Gesundheitswesen zu gewinnen. Zweitens generiert RACOON “science-ready”-Datenprodukte, die aufgrund eines vereinheitlichten Datenmodells und nachhaltiger Qualitätssicherungsmechanismen eine ideale Grundlage für wissenschaftliche Studien darstellen, die Wirkmechanismen der Krankheit und relevante Einflussfaktoren untersuchen und Erkenntnisse zu Risikofaktoren und Therapieansätzen ableiten. Die hochstrukturierten Daten eignen sich auch ideal zum Training Künstlicher Intelligenz, so dass Assistenzfunktionen geschaffen werden können, die Abläufe von der einzelnen Befundung bis zur Kapazitätsplanung im Gesundheitswesen unterstützen. Davon profitieren zunächst Forschende mit innovativen Ansätzen, denen jedoch der eigene Zugang zu ausreichend großen Patient*innenkohorten fehlt; mittelbar fließen die Ergebnisse erfolgreicher Studien in das Gesundheitswesen zurück und verbessern die Behandlungsqualität aller Patient*innen.