Demonstrator 2: Kollaborativer Einsatz von maschinellem Lernen in der Schlafmedizin

Partner
: Drei schlafmedizinische Zentren aus drei verschiedenen Ländern (Charite Universitätsklinikum in Deutschland, Kuopio Universitätsklinikum in Finnland und Hospital de Dieu in Frankreich) werden an diesem Demonstrator beteiligt sein. Die technische Entwicklung wird vom Team für medizinische Informatik des Universitätsklinikums Göttingen unterstützt.

Beschreibung des Problems
:

Die Forschung im Bereich des maschinellen Lernens und des tiefen Lernens hat in den letzten Jahren im Bereich der Schlafmedizin großes Interesse gefunden. Forschungsprojekte, bei denen diese Methoden zum Einsatz kommen, müssen eine große Menge an klinisch sensiblen Daten auswerten. Dies wirft eine Reihe von Fragen auf, wie z. B. die Offenheit der Forschung, Bedenken hinsichtlich des Schutzes der Privatsphäre und der Sicherheit der Daten, und wie wichtig es ist, ein Gleichgewicht zwischen ihnen zu finden. Derzeit müssen Forschungsprojekte die FAIR-Datengrundsätze (auffindbar, zugänglich, interoperabel und wiederverwendbar) und die neue Datenschutzverordnung der Europäischen Kommission (GDPR, 2016/679) befolgen. Die Befolgung der Datenschutz-Grundverordnung behindert jedoch die Umsetzung von FAIR und erschwert den Datenaustausch zwischen klinischen Einrichtungen oder Forschungsinstituten erheblich, insbesondere im Fall von retrospektiven Daten.

Idealerweise sollte die gemeinsame Nutzung von Daten drei Schritte umfassen: (1) Verschlüsselung der Daten, (2) gemeinsame Nutzung der Daten über sichere Plattformen und (3) sichere Speicherung der Daten. Die Datenverschlüsselung hat jedoch nicht die Aufmerksamkeit erhalten, die sie verdient, obwohl sie eines der Schlüsselelemente ist: Wenn die beiden anderen Schritte aus irgendeinem Grund fehlschlagen, gewährleistet die Datenverschlüsselung, dass die Daten immer noch geschützt sind und eine Identifizierung von Personen nicht möglich ist. Daher wäre es für die gesamte Forschungsgemeinschaft von großem Nutzen, über ausgefeilte und validierte Datenverschlüsselungsalgorithmen zu verfügen. Darüber hinaus ist die Durchführung komplexer Analysen und maschineller Lernverfahren auf den verschlüsselten Daten erwünscht, um die gemeinsame Nutzung dieser sicher gemeinsam genutzten Daten zu erleichtern.

Geplante Demonstrationsanwendung:

Der Demonstrator wird Daten nutzen, die aus Schlafaufzeichnungen (d.h. Elektroenzephalographie, Elektrookulographie, Elektromyographie, Atemsignale, Oximetriesignale, Schnarchen (Audio), Schlafposition, Atemanstrengung und möglicherweise nächtliche Videoaufzeichnungen), Patientenakten und Fragebögen zu Schlafstörungen im Textformat (Word, Excel usw.) bestehen, die im Rahmen des H2020-Projekts SLEEPREVOLUTION gesammelt wurden. Der Demonstrator soll zeigen, dass die Schlafaufzeichnungen nach der Verschlüsselung ähnlich behandelt und analysiert werden können (unter Verwendung komplexer Analyse- und ML-Techniken) wie die nicht verschlüsselten Daten. Die Lösung muss unabhängig von der zur Analyse oder Erfassung der Daten verwendeten Schlafaufzeichnungssoftware oder dem Gerät verwendet werden können. Die Verschlüsselung sollte auch unabhängig von der Anzahl oder Qualität der Signale in den Schlafaufzeichnungen möglich sein. Die Lösung sollte über eine benutzerfreundliche Schnittstelle verfügen und in der klinischen (operativen) Umgebung von den klinischen Praktikern problemlos genutzt werden können.