AIR·MS – Forschungsdatenplattform für KI in der Medizin
Das Referenzarchitekturdokument zur AIR·MS-Plattform wurde von JAMIA OPEN zur Veröffentlichung angenommen. Die Plattform verknüpft strukturierte und unstrukturierte Gesundheitsdaten von über 12 Millionen Patient:innen des Mount Sinai Health System in New York – darunter klinische Texte, medizinische Bilder und Genomdaten. Forschende aus den USA und Deutschland erhalten darüber Zugang zu einer sicheren Infrastruktur für skalierbare, KI-gestützte Forschung.
ZUSAMMENFASSUNG
Zielsetzung
Vorstellung der Plattform „Artificial Intelligence-Ready Mount Sinai“ (AIR·MS) – einheitlicher Zugriff auf verschiedene klinische Datensätze des Mount Sinai Health System (MSHS) sowie rechnergestützte Infrastruktur für KI-gestützte Forschung – und Demonstration ihrer Nützlichkeit anhand von drei Forschungsprojekten.
Materialien und Methoden
AIR·MS integriert strukturierte und unstrukturierte Daten aus mehreren MSHS-Quellen über das OMOP Common Data Model in einer spaltenorientierten In-Memory-Datenbank. Unstrukturierte Pathologie- und Radiologiedaten werden durch Metadaten integriert, die aus den Rohdaten extrahiert und mit diesen verknüpft werden. Der Datenzugriff und die Analyse werden von der HIPAA-konformen Azure-Cloud und der lokalen Minerva High-Performance Computing (HPC)-Umgebung unterstützt.
Ergebnisse
AIR·MS bietet Zugriff auf strukturierte elektronische Gesundheitsakten, klinische Notizen und Metadaten für pathologische und radiologische Bilder von über 12 Millionen Patienten. Die Plattform ermöglicht die interaktive Erstellung von Kohorten und das Training von KI-Modellen. Experimente mit komplexen Kohortenabfragen bestätigen eine hohe Systemleistung. Drei Anwendungsfälle demonstrieren die Entdeckung von Risikofaktoren und die föderierte Modellierung von Herz-Kreislauf-Risiken.
Diskussion
AIR·MS zeigt, wie klinische Daten und Infrastruktur integriert werden können, um groß angelegte KI-basierte Forschung zu unterstützen. Die Leistung, Skalierbarkeit und institutionsübergreifende Auslegung der Plattform machen sie zu einem Vorbild für ähnliche Initiativen.
Fazit
AIR·MS bietet eine skalierbare, sichere und kollaborative Plattform für KI-gestützte Gesundheitsforschung auf der Grundlage multimodaler klinischer Daten.
ZUSAMMENFASSUNG
Moderne Krankenhäuser sammeln riesige Mengen an Patientendaten, darunter Testergebnisse, Arztberichte und medizinische Bilder. Diese sind für die Forschung und die Verbesserung der Versorgung von großem Wert, insbesondere wenn künstliche Intelligenz (KI) eingesetzt wird, um komplexe Muster aufzudecken. Die Kombination und der Zugriff auf Daten aus verschiedenen Krankenhaussystemen und unterschiedlichen Datentypen ist jedoch eine Herausforderung. In diesem Artikel stellen wir die Plattform AI-Ready Mount Sinai (AIR·MS) vor. Sie führt verschiedene Arten von klinischen Daten aus dem Mount Sinai Health System zusammen und stellt sie sicher für Forschungszwecke zur Verfügung. Die Plattform umfasst elektronische Gesundheitsakten, klinische Notizen und Metadaten aus pathologischen Präparaten und radiologischen Bildern von über 12 Millionen Patienten. Im Rahmen des Projekts können Forscher aus den USA und Deutschland mithilfe von Computertools Daten untersuchen, Patientengruppen bilden und KI-Modelle in einer sicheren, datenschutzkonformen Umgebung trainieren. Wir zeigen anhand von drei Projekten, wie AIR·MS die Forschung unterstützt: Ein Projekt nutzt KI, um Morbus Crohn besser zu verstehen, ein anderes identifiziert einen möglichen Zusammenhang zwischen Menstruationsbeschwerden und Herzerkrankungen bei Frauen und ein weiteres nutzt föderiertes Lernen, um die Leistung von Tools zur Bewertung des Herz-Kreislauf-Risikos zu verbessern. Durch die Bereitstellung von Daten und Tools für fortgeschrittene Analysen hilft AIR·MS Forschern dabei, Erkenntnisse zu gewinnen, die die Diagnose, Behandlung und Versorgung verbessern könnten.
Vollständige Autorenliste
- Guerrero, Pablo; Hasso-Plattner-Institut fur Digital Engineering gGmbH, Digital Global Public Health; D4L data4life gGmbH
- Ernebjerg Morten; Doctolib GmbH; D4L data4life gGmbH
- Holst, Thomas; D4L data4life gGmbH
- Weese, David; D4L data4life gGmbH
- DiBello, Herve; Icahn School of Medicine at Mount Sinai, Hasso Plattner Institute for Digital Health at Mount Sinai; Icahn School of Medicine at Mount Sinai, Windreich Dept. of Artificial Intelligence and Human Health
- Ibing, Susanne; Hasso-Plattner-Institut fur Digital Engineering gGmbH, Digital Engineering Faculty, University of Potsdam; Icahn School of Medicine at Mount Sinai, Hasso Plattner Institute for Digital Health at Mount Sinai; Icahn School of Medicine at Mount Sinai, Windreich Dept. of Artificial Intelligence and Human Health
- Schmidt, Linea; Hasso-Plattner-Institut fur Digital Engineering gGmbH, Digital Engineering Faculty, University of Potsdam
- Ungaro, Ryan; Icahn School of Medicine at Mount Sinai Division of Gastroenterology
- Renard, Bernhard; Hasso-Plattner-Institut fur Digital Engineering gGmbH, Digital Engineering Faculty, University of Potsdam; Icahn School of Medicine at Mount Sinai, Hasso Plattner Institute for Digital Health at Mount Sinai; Icahn School of Medicine at Mount Sinai, Windreich Dept. of Artificial Intelligence and Human Health
- Lippert, Christoph; Hasso-Plattner-Institut fur Digital Engineering gGmbH, Digital Engineering Faculty, University of Potsdam; Icahn School of Medicine at Mount Sinai, Hasso Plattner Institute for Digital Health at Mount Sinai; Icahn School of Medicine at Mount Sinai, Windreich Dept. of Artificial Intelligence & Human Health
- Alleva Bonomi, Eugenia Alessandra Enrica; Icahn School of Medicine at Mount Sinai, Hasso Plattner Institute for Digital Health at Mount Sinai; Icahn School of Medicine at Mount Sinai, Windreich Dept. of Artificial Intelligence and Human Health
- Quinn, Timothy; Icahn School of Medicine at Mount Sinai
- Kovatch, Patricia; Icahn School of Medicine at Mount Sinai, Windreich Dept. of Artificial Intelligence and Human Health; Icahn School of Medicine at Mount Sinai, Hasso Plattner Institute for Digital Health at Mount Sinai; Mount Sinai Health System, The Center of Excellence in AI and Digital Health
- Antao, Esther-Maria; Hasso-Plattner-Institut for Digital Engineering gGmbH, Digital Global Public Health
- Heyneke, Elmien; Hasso-Plattner-Institut for Digital Engineering gGmbH, Digital Global Public Health
- Rasheed, Aadil; Hasso-Plattner-Institut for Digital Engineering gGmbH, Digital Global Public Health
- Kalabakov, Stefan; Hasso-Plattner-Institut for Digital Engineering gGmbH, Digital Engineering Faculty, University of Potsdam; Icahn School of Medicine at Mount Sinai, Hasso Plattner Institute for Digital Health at Mount Sinai; Icahn School of Medicine at Mount Sinai, Windreich Dept. of Artificial Intelligence and Human Health
- Arnrich, Bert; Hasso-Plattner-Institut fur Digital Engineering gGmbH, Digital Engineering Faculty, University of Potsdam
- Charney, Alexander; Icahn School of Medicine at Mount Sinai, Hasso Plattner Institute for Digital Health at Mount Sinai; Icahn School of Medicine at Mount Sinai, Windreich Dept. of Artificial Intelligence and Human Health; Icahn School of Medicine at Mount Sinai, Charles Bronfman Institute for Personalized Medicine
- Wieler, Lothar; Hasso-Plattner-Institut fur Digital Engineering gGmbH, Digital Engineering Faculty, University of Potsdam; Icahn School of Medicine at Mount Sinai, Hasso Plattner Institute for Digital Health at Mount Sinai; Icahn School of Medicine at Mount Sinai, Windreich Dept. of Artificial Intelligence and Human Health
- Nadkarni, Girish; Icahn School of Medicine at Mount Sinai, Hasso Plattner Institute for Digital Health at Mount Sinai; Icahn School of Medicine at Mount Sinai, Windreich Dept. of Artificial Intelligence and Human Health; Icahn School of Medicine at Mount Sinai, Charles Bronfman Institute for Personalized Medicine
