Postakute Infektionssyndrome (PAIS), deren verborgene Mechanismen noch immer schlecht verstanden sind, sind ein allgegenwärtiges klinisches Symptom, unter dem viele Patienten mehrere Monate oder sogar Jahre nach einer akuten Infektion leiden. Das AIMS-Vorhaben möchte die Frage beantworten, wie die Belastung durch PAIS mit Hilfe optimaler Impfstrategien minimiert werden kann, wenn Impfstoffe bereits verfügbar sind oder in Zukunft verfügbar werden. AIMS entwickelt einen verallgemeinerbaren Ansatz für PAIS indem durch Künstliche Intelligenz (KI) gestützte Simulationstechniken für die Demonstrationsfälle COVID-19 und Influenza erprobt werden.

Im AIMS-Vorhaben werden wir über rein datenbasierte KI-Methoden hinausgehen, die zwar hervorragende Antworten auf ausgewählte Fragen liefern können, aber oft nicht zu einem besseren Verständnis der verborgenen oder zugrundeliegenden Prozesse eines betrachteten Problems beitragen. Um den Mangel an mechanistischem Verständnis zu beheben, werden wir etablierte und renommierte Methoden der mechanistischen Modellierung mit neuartigen Methoden der künstlichen Intelligenz kombinieren, um das Problem der Blackbox-Lösungen zu überwinden, die in der Patientenversorgung nur schwer anwendbar sind.

In unserem Teilprojekt werden wir verschiedene Methoden der klassischen Statistik, wie die Hauptkomponentenanalyse, sowie etablierte Methoden der künstlichen Intelligenz, wie dem Clustering, anwenden, um Schlüsselvariablen zur Entstehung von Long- und Post-COVID zu finden. Wir fokussieren uns zudem auf die Bereitstellung der Datensätze aus der populationsbasierten digitalen Kohorte DigiHero und bieten den Projektpartnern unsere Erfahrung bei der Arbeit mit den DigiHero-Datensätzen. Weiterhin werden wir die Partner bei der Entwicklung und Inferenz des individuellen Reaktionsmodells mit unserer Expertise aus Epidemiologie und Data Science unterstützen.