IASiS ist ein EU-finanziertes Projekt, das durch den Einsatz von Erkenntnissen aus Patientendaten den Weg für präzisionsmedizinische Ansätze ebnen soll. Ziel ist es, Informationen aus Krankenakten, Bilddatenbanken und Genomdaten zu kombinieren, um personalisierte Diagnose- und Behandlungsansätze in zwei Krankheitsbereichen - Lungenkrebs und Alzheimer - zu ermöglichen.

Die Präzisionsmedizin verspricht, die Gesundheitsversorgung für Patienten zu verändern. Das Gesundheitswesen entwickelt sich von einem reaktiven "Einheits-System" zu einem System prädiktiver, präventiver und präziser Pflege. Es wird erwartet, dass ein Ansatz der personalisierten Medizin zu besseren Gesundheitsergebnissen, verbesserten Behandlungen und einer Verringerung der Toxizität aufgrund von variablen oder unerwünschten Arzneimittelreaktionen führt.

Das Ziel des Projekts IASiS besteht darin, die Möglichkeiten zu nutzen, die sich aus einer Datenwelle ergeben, die unseren Weg kreuzt und diese in umsetzbare Informationen umzuwandeln, die der richtigen Behandlung mit dem richtigen Patiententyp entsprechen. Eine aktuelle Herausforderung besteht darin, dass große, heterogene Datenmengen von verschiedenen Quellen stammen, die, wenn kombiniert, die besten Entscheidungen ermöglichen würden, so dass Diagnose und Behandlung für jedes Individuum personalisiert werden können. IASiS testet diesen Ansatz in zwei Krankheitsbereichen - Lungenkrebs und Alzheimer-Krankheit -, aber mit dem längerfristigen Ehrgeiz, dass dieser Ansatz für andere Krankheitsbereiche breiter anwendbar sein wird.

Die ehrgeizige Vision des IASiS wird erreicht, indem spezifische Ziele verfolgt werden:

Ziel 1: Entwurf eines einheitlichen konzeptionellen Schemas, um alle verschiedenen Quellen verfügbarer Daten darzustellen.

Ziel 2: Erstellung eines adaptiven Systems, das inkrementell Daten und Inhalte verwalten kann.

Ziel 3: Vermittlung vom verwertbaren Wissen über Krankheitsdiagnose, -prognose und –behandlung den politischen Entscheidungsträgern.

Ziel 4: Förderung der Zusammenarbeit zwischen Ärzten und politischen Entscheidungsträgern.

Ziel 5: Bestimmung von Arbeitsstrategien, die die Privatsphäre schützen und Vertrauen schaffen.

Der Grundansatz von IASiS besteht darin, ein System zu entwickeln, das sowohl unstrukturierte als auch strukturierte Datenanalyse, Bildanalyse und Sequenzanalyse automatisch integriert und all dieses Wissen in eine Big-Data-Infrastruktur integriert. Dieses System wird dann eine Plattform schaffen, die eine innovative Frage- und Antwortkapazität ermöglicht, die von Klinikern verwendet werden kann, um eine effizientere und individuellere Diagnose und Behandlung von Patienten zu unterstützen.

IASIS wird diesen Grundansatz in zwei Krankheitsbereichen - Lungenkrebs und Alzheimer-Krankheit - testen, aber mit dem längerfristigen Ziel, dass dieser Ansatz in anderen Krankheitsbereichen breiter anwendbar sein wird.

Erwartete Projektergebnisse und Auswirkungen

Die Ergebnisse von IASiS werden erhebliche Auswirkungen auf das Gesundheitssystem der EU, die IKT-Industrie, einzelne Patienten und die Gesellschaft insgesamt haben. In diesem Zusammenhang verfolgt das IASiS folgende Ziele:

• Umfangreiches Zuordnen von Big Data zu einer erreichbaren und überschaubaren Weise durch Anwendung von Prinzipien für die gemeinsame Nutzung und Wiederverwendbarkeit, Schaffung eines Wissensnetzwerks durch Verknüpfung heterogener Datenquellen für die öffentliche Gesundheitsstrategie.

• Neue datengestützte Analyseverfahren und fortschrittliche Simulationsmethoden zur Untersuchung kausaler Mechanismen und zur Verbesserung der Vorhersagen der räumlichen und zeitlichen Entwicklung von Krankheiten und Krankheiten.

• Entwicklung innovativer Ansätze zur Verbesserung der aktuellen Risikostratifizierungsmethoden.

• Umwandlung großer Datenmengen in umsetzbare Informationen für Behörden zur Planung von Maßnahmen im Bereich der öffentlichen Gesundheit und Umsetzung eines Konzepts "Gesundheit in allen Politikbereichen".

• Plazierung von Präventionsstrategien auf Evidenzbasis, Evaluation der Effizienz und Effektivität von implementierten Strategien, Feedback von Ergebnissen in die Methodenentwicklung

• Analyse der Effizienz des Patienten-Pfadmanagements sowohl in der Primärversorgung (Prävention und Früherkennung) als auch in der Sekundärversorgung.

• Angleichung von Big Data und fortschrittlichen Simulationsmethoden, um politische Entscheidungsträger mit hoher Hebelwirkung für Beamte des öffentlichen Gesundheitswesens bei einer Reihe epidemiologischer Herausforderungen zu unterstützen.

• Grenzüberschreitende und Netzwerkkoordination und Technologieintegration, die die Interoperabilität zwischen den Komponenten der Big-Data-Wertschöpfungskette erleichtert.