Data Innovation Community “Personalisierte Medizin”

Auch in der modernen Medizin fallen zunehmend größere Datenmengen an. Gründe hierfür sind zum Beispiel die immer höher aufgelösten Daten aus modernen Untersuchungsmethoden wie der Kernspintomografie, eine IT-gesteuerte Medizintechnik, die umfangreiche medizinische Dokumentation und das stetig detaillierter werdende Wissen über das menschliche Erbgut. So wird etwa im Bereich der personalisierten Krebstherapie immer häufiger Software eingesetzt, um aus Terabytes an klinischen, molekularen und medikamentösen Daten, die in unterschiedlichen Formaten vorliee gen, in Echtzeit effektive Behandlungsoptionen für jeden einzelnen Patienten abzuleiten und so Behandlungserfolge signifikant zu verbessern.

In der Data Innovation Community “personalisierte Medizin” sollen wichtige datengetriebene Aspekte im Bereich der personalisierten Medizin erforscht werden, bspw. die bedarfsgesteuerte Versorgung von Patienten, IT-gesteuerte Medizintechnik oder auch die Internet-basierte Patientenbetreuung.

Die Data Innovation Community “personalisierte Medizin” richtet sich daher an alle interessierten Unternehmen und Forschungseinrichtungen, die bzgl. dieser Aspekte gemeinsame Forschung betreiben wollen. Dies schließt sowohl Anwenderunternehmen der Branche, Krankenhäuser mit ein als auch Unternehmen der Automatisierungsbranche sowie der IT-Branche.

DIC-Leitung

Dr. Andreas Schuppert
andreas.schuppert@bayer.com

Bayer AG

Prof. Dr. Morris Riedel
m.riedel@fz-juelich.de

Forschungszentrum Jülich

morris-riedel

Zu einer Mitarbeit in der Data Innovation Community oder Teilnahme an deren Treffen kontaktieren Sie bitte das DIC per E-Mail unter medizin@sdil.de.

Mitglieder können auf die internen Foren im SAP Jam zugreifen.

Aktuelle Projekte

  • bayer-logo

    MedTrend1: Smart Data Prediction of Trends in Medicine

    MedTrend1 ist eine Proof-of-concept Studie mit dem Ziel gesellschaftliche Trends mit medizinscher Relevanz aus großen Mengen smarter Daten zu ermitteln. Entscheidend für den Erfolg dieser Studie ist die Kombination der einerseits smarten Datenerfassung mit ebenso smarten Analysen.

    Lesen Sie mehr

  • kit-logo

    GPU + In-Memory-Datenmanagement für Big Data-Analysen

    Die weltweite Einführung von Smart Metern eröffnet ein neues Geschäftsparadigma für Versorgungseinrichtungen mit Datenerfassung/-Transaktion bei derart hohem Volumen und hoher Geschwindigkeit. Im Rahmen dieses Projekts entwickeln wir auf Basis von In-Memory-Datenmanagement und paralleler Datenverarbeitung in der GPU eine Werkzeugkette. Unser Ziel ist es, die Rechenleistung der GPU sowie den hohen Durchsatz und die niedrige Latenz von In-Memory Datenbanken zu nutzen für die Entwicklung einer adäquaten Big Data-Analyseplattform. Auch wenn das Projekt auf den Anwendungsfall von Smart-Meter-Daten ausgerichtet ist, lässt sich die Werkzeugkette ebenso auf Big Data-Analysen in anderen Bereichen anwenden.

    Lesen Sie mehr

  • sap-logo

    Assoziationsregeln für Hochdimensionale Stammdaten

    Es gibt mehrere Herangehensweisen für Assoziationsregeln in großen Datensätzen, allerdings kaum bekannte Ansätze für Assoziationsregeln im Bereich der Stammdaten (engl. Master Data). Es ist wichtig, darauf zu verweisen, dass Stammdaten als einzige Quelle für Geschäftsobjekte im gesamten Unternehmen heutzutage jedoch ein Schlüsselfaktor sind. Das Ziel dieses Projekt ist es, mittels vorgeschlagener Validierungsregeln zu bewerten, inwiefern die Anwendung von Ansätzen wie denen der Assoziationsregeln den Experten für Stammdaten als mögliche Unterstützung dienen können.

    Lesen Sie mehr

  • Smart Brain Data Analytics

    Smart Brain Datenanalysen

    Die Grundlage dieses Projekts bildet ein Datenbestand von ca. 700 Bildaufnahmen, der aufeinanderfolgender Gewebeabschnitte eines menschlichen Gehirns zeigt. Zugrundliegende hochaufwändige Bildregistrierungsverfahren, die Blockface-Bilder als Referenz nutzen, ermöglichen eine möglichst korrekte, naturgetreue Abbildung der fixierten Gewebeabschnitte. Die hochaufgelösten Schnittaufnahmen können zur Erstellung hochaufgelöster 3-D-Modelle, wie sie in der aktuellen Spitzenforschung zum Einsatz kommen, genutzt werden. Damit können beispielsweise Volumen, Struktur und Form des Gehirns visualisiert werden.

    Lesen Sie mehr