Metadatenstandards und die Nachvollziehbarkeit von mit künstlicher Intelligenz erlangten Ergebnissen werden in Zukunft eine entscheidende Rolle spielen, wenn es darum geht, die Kluft zwischen den Datensilos der einzelnen Forschungsdisziplinen zu überbrücken. Einem vollständigen, offenen Datenaustausch stehen indes Datensicherheit und Datenschutz entgegen. Dies gilt insbesondere für den Bereich der Medizin. Das CASUS konzentriert sich auf Technologien und Lösungen für ein sicheres, intelligentes und nachhaltiges Datenmanagement im Bereich der digitalen Gesundheit. Im Rahmen des ersten bearbeiteten Anwendungsszenarios sollen Medizinerinnen und Medizinern dabei unterstützt werden, bei der Krebsbehandlung die optimalen Entscheidungen zu treffen.

Die Analyse von Patientendaten mit künstlicher Intelligenz erfordert neue Technologien. So sind zum Beispiel Metadatenmanagement und eine Nachvollziehbarkeit der eingesetzten künstlichen Intelligenz erforderlich, um die Informationen zur Herkunft der Daten auch bei interdisziplinären Forschungsprojekten zu bewahren. Bei der Umsetzung verfolgt das CASUS die Idee, maschinelles Lernen im Bereich der digitalen Gesundheit über einen föderierten und skalierbaren Ansatz möglich zu machen. So können Analyse, Modellbildung und Wissensextraktion nah an den Patientendaten verwirklicht werden.

Während bei der zentralen Datenspeicherung ein riesiger Datensatz generiert wird, belässt der föderierte Ansatz die Daten größtenteils an Ort und Stelle. Eine Anonymisierung oder zumindest eine Pseudonymisierung der Daten ist im Gegensatz zur zentralen Datenspeicherung nicht erforderlich. Dadurch, dass die Analysealgorithmen zu den Daten gebracht werden (und nicht anders herum), ist der Datenschutz schon allein aufgrund des Designs des Prozesses gewährleistet. Das CASUS hat die Führung bei der Entwicklung einer quelloffenen Lösung für föderiertes maschinelles Lernen und künstliche Intelligenz im Bereich der digitalen Gesundheit übernommen. Dieser Ansatz soll es ermöglichen, Modelle der künstlichen Intelligenz auf Patientendaten verschiedener Standorte zu trainieren und die Ergebnisse in einem einzigen Modell zusammenzuführen.