Computational Hematology
Die Arbeitsgruppe Computational Hematology um Dr. Dr. Amin Turki wendet Methoden aus dem Bereich der künstlichen Intelligenz (KI) – wie z. B. maschinelles Lernen und fortgeschrittene mathematische Modelle an um das Verständnis von Krankheiten und von Immuntherapien in der Hämatologie und deren Komplikationen zu verbessern. Über das Erforschen von Krankheitsmechanismen hinaus kann die Anwendung solcher Modelle auch nach klinischer Validierung als klinische Entscheidungsunterstützungssysteme in der Patientenversorgung helfen Therapien individueller zu gestalten und Ärzte im Alltag unterstützen. Für der Entwicklung der Modelle nutzen wir sowohl Daten aus der Universitätsmedizin Essen als auch in Zusammenarbeit mit einem starken Netzwerk nationaler und internationaler Partner (z. B. EBMT, Harmony Alliance, XplOit).
Wir interessieren uns dabei für die vielfältigen medizinischen Facetten der allogenen hämatopoetischen Stammzelltransplantation, wie z. B. Transplantat-gegen-Wirt-Krankheit (GVHD), infektiöse Komplikationen, Immunrekonstitution und Spätfolgen der Transplantation. Die hämatopoetische Stammzelltransplantation ist eine zentrale Therapieform für Patienten mit Blutkrebserkrankungen mittleren und hohen Risikos (z. B. die akute myeloische Leukämie, AML). Obwohl die Transplantation inzwischen eine Routinebehandlung ist, gibt es mehrere damit verbundene Komplikationen, die das klinische Ergebnis beeinträchtigen können:
Infektiöse Komplikationen können in vielfältiger Form auftreten (z. B. menschliches Cytomegalievirus, CMV; Epstein-Barr-Virus, EBV; konventionelle und multiresistente Bakterien und Pilzinfektionen). Wir entwickeln Kinetikmodelle für Viruskomplikationen, um Risikopatienten besser und früher zu identifizieren und durch antiinfektiöse Prophylaxe das Behandlungsergebnis zu verbessern.
Akute- und chronische Transplantat-gegen-Wirt-Erkrankungen (GVHD) sind bis heute die Hauptursache der frühen Morbidität und Mortalität nach Transplantation und haben eine komplexe Pathophysiologie. Unter Verwendung von maschinellem Lernen versuchen wir die klinische GVHD Klassifizierung und die Früherkennung von Risikopatienten zu verbessern.
Spätfolgen der Stammzelltransplantation (engl. late effects) umfassen ein breites Spektrum an möglichen Problemen und erfordern eine professionelle Nachsorge, um den Langzeiterfolg der Behandlung sicherzustellen. Interdisziplinäre Ansätze, die Daten aus neuen Technologien analysieren und an Patienten zurückmelden können das Verständnis dieses komplexen Zustands verbessern und zu einer Stärkung der Patientenzufriedenheit führen.
