KI-FOR Lifespan AI: Von longitudinalen Gesundheitsdaten zur Inferenz im Lebensverlauf

Beschreibung

Mission
Die digitale Revolution verändert unsere Welt. Digitale Geräte, Sensoren und Technologien erfassen Daten fast „nebenbei“, während sich gleichzeitig die digitale Technologie rasant weiterentwickelt. Diese digitale Spur an gesammelten Bio-, Sozial- und Lebensstilinformationen im Lebenslauf wird epidemiologische Längsschnittstudien ergänzen, um geleitet durch Methoden der kausalen Inferenz die personalisierte Vorhersage, frühzeitige Prävention und gezielte Intervention im Gesundheitsbereich zu verbessern. Diese großen komplexen Gesundheitsdatenkörper bergen in Kombination mit jüngsten Fortschritten in der künstlichen Intelligenz (KI) ein enormes Potenzial für die empirische Gesundheitsforschung. Die Forschungsgruppe will KI-Methoden und -Werkzeuge weiterentwickeln, um mit Hilfe hochdimensionaler Daten die Entstehung von Krankheiten im Lebenslauf zu modellieren, vorherzusagen und zu erklären. Dazu werden wir unter Einhaltung ethischer und datenschutzrechtlicher Bedingungen sensible Datenquellen nutzen, um relevantes Wissen zu extrahieren, Deep-Learning (DL)-Modelle voranzutreiben und kausale Erkenntnisse zu generieren – um so letztlich zur Aufdeckung von Ursachen komplexer Erkrankungen und zur Optimierung von Präventionsstrategien beizutragen.

Arbeitsprogramm
Das Arbeitsprogramm besteht aus sechs Projekten, die unsere Vision aus verschiedenen Perspektiven verfolgen und in drei Themen gruppiert sind: Daten und Methoden (D), Modelle und Interpretation (M) sowie Inferenz und Kausalität ©: D1 wird DL-Strategien zur Erforschung und Verarbeitung langfristiger zeitlicher Änderungen auf der Grundlage der Integration hochdimensionaler Daten aus mehreren Quellen vorantreiben; D2 wird neuronale Netze und Modelle mit gemischten Effekten kombinieren, um individuelle Gesundheitsverläufe über den Lebenslauf vorherzusagen; M1 wird „Normalizing Flow“ Methoden entwickeln, um gemeinsame Verteilungen und bedingte Dichten für Gesundheitsdaten abzuleiten; M2 wird aus alltäglichen Aktivitäten des Menschen einen kognitiven digitalen Zwilling schaffen, um Veränderungen über Altersgruppen hinweg vorherzusagen; C1 wird Zeit-adaptive, erklärbare KI-Methoden für rekurrente neuronale Netze und Ereigniszeiten entwickeln; C2 wird ein Framework für „Causal Discovery“ in longitudinalen Studien herleiten, wobei verschiedene Datensätze kombiniert und Nichtlinearitäten berücksichtigt werden. Die Forschungsgruppe stützt sich auf die Expertise der Antragstellenden beider Bremer Universitäten und dem Leibniz-Institut für Präventionsforschung und Epidemiologie – BIPS, die gemeinsam die zentralen Disziplinen von Mathematik und Informatik bis hin zu Statistik und Epidemiologie abdecken und bereits über langjährige institutionelle Forschungskooperationen miteinander verbunden sind. Zudem wird die Forschungsgruppe durch die neue Kooperationsprofessur für „Maschinelles Lernen in der Statistik“ an der Schnittstelle zwischen KI und Epidemiologie gestärkt, die als Brückenprofessur dient.

Förderzeitraum

Beginn:   Juni 2023
Ende:   Mai 2027

Förderer

  • Deutsche Forschungsgemeinschaft (DFG)

Kontaktperson

Dr. rer. hum. biol. Marvin N. Wright

Verbundkoordination (national)

Prof. Dr. Tanja Schultz, Universität Bremen, Bremen, Deutschland

Link

Projekt