Hallo Herr Dr. Scherrer, gemeinsam mit Kolleg*innen am Fraunhofer Institut für Techno- und Wirtschaftsmathematik ITWM haben Sie an der Entwicklung eines mobil einsetzbaren und digital unterstützten Testverfahrens für Covid-19-Erkrankungen gearbeitet.

Unser Ziel war es vor allem, nach Methoden zu forschen, wie Blutbilder unabhängig vom Ort ihrer Gewinnung mit möglichst großem Informationsgewinn untersucht werden können. Im Projekt CODECT haben wir deshalb an einem System gearbeitet, das digitalisierte Blutwerte über das Internet an eine Analyseeinheit weiterleitet. Die Analyseeinheit untersucht die empfangenen Daten dann automatisch auf erkrankungsbedingte Parameterveränderungen. Auf Grundlage dieser Resultate können Labore schließlich ihren finalen Befund erstellen. Covid-19 war dabei der Impulsgeber, steht aber nicht zwangsläufig im Mittelpunkt unserer Forschungen.

Warum ist diese Vorgehensweise trotzdem so richtungweisend – gerade bei der Bekämpfung einer Pandemie?

Auch wenn die Ansteckungsraten derzeit sinken, ist die weitere Ausbreitung des Coronavirus nach wie vor hochgefährlich. Ein »Problem« dabei ist, dass infizierte Personen zunächst oft keine Krankheitssymptome aufweisen. Trotzdem aber verbreiten sie das Virus. Infektionen könnten zwar frühzeitig mit speziellen Labortests diagnostiziert werden, das aber ist sehr aufwendig. Für CODECT setzen wir auf etablierte Standardbluttests, um Infektionen anhand von charakteristischen Parameterveränderungen frühzeitig zu erkennen – auch wenn nicht gezielt danach gesucht wurde.

»CODECT« ist bereits abgeschlossen?

Der Proof of Concept ist erbracht, das war unsere grundlegende Aufgabe. Nun geht es darum, die Erkenntnisse marktfähig zu machen. Dafür sind wir im Moment im Gespräch mit einem Technologieunternehmen und einem Labordienstleister.

Dann lassen Sie uns zunächst über den Proof of Concept beziehungsweise die Projektergebnisse reden.

Kern ist ein prototypischer Webservice, den wir entwickelt haben. Ärzt*innen im Krankenhaus beispielsweise oder Hämatolog*innen, die in einem Labor arbeiten, können sich hier registrieren lassen. Wir erstellen für sie dann ein Nutzerkonto, über das er oder sie Analyseanfragen stellen kann. Dann steht ihm oder ihr ein Datenbuch zur Verfügung.

In diese Datenbücher können die digitalisierten und anonymisierten Blutbilder geladen werden.

Die Daten kommen meist aus dem Laborinformationssystem vor Ort – sind also ohnehin bereits erhoben. Sobald sie in das Datenbuch geladen wurden, werden sie von unserem System auf Konsistenz und Vollständigkeit geprüft und dann auf Hinweise zu einzelnen Erkrankungen hin untersucht. Die aufbereiteten Ergebnisse kann der Mediziner dann direkt im System ansehen oder sie exportieren, um medizinische Schlussfolgerungen zu ziehen.

Also: »Verdacht auf eine Covid-19-Erkrankung…«

Nicht nur. Theoretisch funktioniert das System auch in Hinblick auf andere Erkrankungen wie beispielsweise Grippe oder Krebs. Wir können die Analyse dahingehend ausbauen.

Sie nutzen also tradierte Prozesse wie das Erstellen eines Blutbildes, um zusätzliche Erkenntnisse für die Patient*innen zu generieren.

Richtig. Wir greifen nicht in bestehende Arbeitsabläufe ein oder verändern die Infrastruktur, aber wir ergänzen den Prozess. Zum einen durch das Angebot an sich, zum anderen durch die automatisierte Aufbereitung. Der Zeitaufwand, bis eine Einschätzung vorliegt, wird dabei merklich reduziert. Sie laden die Daten hoch und innerhalb von Sekundenbruchteilen können die medizinischen Fachkräfte eine Liste mit Voranalysen nutzen.

Ein weiterer Vorteil ist das Reduzieren der Fehleranfälligkeit.

Diagnostische Prozesse sind so komplex, dass manche Befunde über Krankheiten eher dem Zufall zu verdanken sind. Das heißt aber auch, dass Diagnosen auch unvollständig sein können, wenn der Arzt nicht gezielt danach sucht. Unser System ist in der Lage, die Daten schnell und komplett zu analysieren. So werden unter Umständen Entwicklungen entdeckt, die vorher übersehen worden wären.

Welche Rolle spielt KI bei der eigentlichen Analyse?

KI und Machine Learning können eingesetzt werden, um Indizien zu finden und Vorab-Befunde zu erstellen. Dafür muss das System allerdings anhand einer Vielzahl von Blutbildern trainiert werden. Wegen des Aufwands beim Beschaffen der benötigten Datensätze konnten wir zunächst nur mit öffentlich zugänglichen Datensätzen arbeiten – und hier ist die Datenmenge alles andere als üppig. Sobald aber ausführliche Trainings abgeschlossen sind, kann KI den Labormediziner*innen zuarbeiten, indem sie schon und vor allem zuverlässig erste Verdachtsmomente für Erkrankungen identifiziert.

Wie zuverlässig ist Ihr Analysesystem bereits?

Dass CODECT nur mit kleinen Datenmengen arbeiten musste, wirkt sich natürlich auch auf die Zuverlässigkeit aus. Aber wir gehen von einer Genauigkeit im Bereich von 85 bis 90 Prozent aus – sowohl was Erkrankungsbilder, Covid-19 oder beispielsweise auch Influenza Typ A oder B anbetrifft. Entscheidend für uns war aber nicht die Genauigkeit im Einzelnen, sondern der Nachweis, dass unsere Methode alltagstauglich ist und funktioniert.

Das ITWM hat das Projekt – wie das bei den meisten medizintechnischen Projekten üblich ist – nicht alleine durchgeführt.

Wir haben mit dem Medizintechnik-Unternehmen IMM Ingenium Digital Diagnostics und dem Fraunhofer-Institut für Mikrotechnik und Mikrosysteme IMM als Projektpartner intensiv zusammengearbeitet. Dabei haben wir vom Fraunhofer ITWM uns vor allem auf die Aufbereitung der Labor-Datensätze konzentriert. Der Schwerpunkt dabei lag auf der Entwicklung der Methoden, die einen zügigen und sicheren Diagnostikprozess gewährleisten. Aber wir waren beispielsweise auch für den Webservice verantwortlich, der über die Fraunhofer Cloud zur Verfügung gestellt wird.

Was sind die nächsten Schritte?

Ich gehe davon aus, dass mögliche Verwertungspartner unsere Erkenntnisse und Impulse nutzen wollen, um Methodik und Konzept weiter voranzutreiben. Denn unser gemeinsames Ziel ist ein sicheres System, von dem der Gesundheitssektor in Zukunft nachhaltig profitiert. Nicht nur in Zeiten einer Pandemie.

(aku)