Medizinische Zeitreihenanalyse und KI-basierte Pandemieprognosen
Das Fraunhofer HHI verfügt über umfassende Expertise in der Analyse medizinischer Zeitreihen. Im Rahmen des DAKI-Projekts (https://daki-fws.de) haben wir innovative KI-basierte Werkzeuge zur Pandemiebekämpfung entwickelt und wegweisende Forschung zur Vorhersage von Krankheitsverbreitung und -verlauf betrieben.
Unser Schwerpunkt liegt auf der Entwicklung robuster und zuverlässiger Prognosesysteme mit hoher räumlicher Auflösung. Dafür haben wir eine umfangreiche Pandemiedatenbank aufgebaut, die multimodale Datenquellen intelligent verknüpft – von Wetter- und Abwasserdaten über Impf- und Mobilitätsdaten bis hin zu Google-Trends und statistischen Erhebungen verschiedener Institutionen.
Auf dieser Grundlage entwickelten wir ein hochmodernes Live-Prognosesystem für COVID-19, dessen Ergebnisse deutschen Gesundheitsbehörden als Entscheidungsgrundlage zur Verfügung gestellt werden.
Erleben Sie unsere Technologie: Unser interaktiver Demonstrator zur Visualisierung und Vorhersage von Krankheitsdaten ist verfügbar unter:
Integration von Epidemiologie und KI
Darüber hinaus erforscht das Fraunhofer HHI innovative Ansätze zur Integration historischer epidemiologischer Erkenntnisse in moderne datengetriebene Methoden. Dabei nutzen wir partielle Differentialgleichungen, um bewährte epidemiologische Prinzipien systematisch in KI-Modelle einzubetten.
In unserer aktuellen Forschungsarbeit von 2025 [1] demonstrierten wir einen bahnbrechenden Ansatz: Mithilfe epidemiologischer Differentialgleichungen generierten wir synthetische Trainingsdaten für unsere Prognosemodelle. Die Ergebnisse zeigen eine erhebliche Leistungssteigerung gegenüber rein datenbasierten Methoden.
Kooperation mit anderen Instituten
Die Wirksamkeit unserer Methoden bestätigte sich auch in internationalen Anwendungen: Ähnlich herausragende Ergebnisse erzielten wir bei der Analyse mexikanischer COVID-19-Daten sowie weiterer Krankheitsdatensätze unterschiedlicher Regionen.
Im Zuge dieser Forschungsarbeiten entstanden wertvolle Kooperationen mit Institutionen wie dem Robert Koch-Institut, der brasilianischen Fiocruz und dem Helmholtz Centre for Environmental Research, die zur kontinuierlichen Weiterentwicklung und Validierung unserer Technologien beitragen.
Elektrokardiographie (EKG)
Auch im Bereich der Elektrokardiographie (EKG) hat das Fraunhofer HHI in den letzten Jahren substanzielles Wissen aufgebaut. Mit dem PTB-XL-Datensatz [2] stellt das HHI eine umfassende öffentlich verfügbare Sammlung bereit – bestehend aus über 21 800 klinischen 12-Kanal-EKGs mit einer Dauer von jeweils 10 Sekunden und mehr als 70 diagnostischen Statements, die hierarchisch (nach SCP-ECG-Standard) strukturiert und durch bis zu zwei Kardiolog:innen validiert wurden. Der Datensatz enthält zudem umfangreiche Metadaten zu Patientendemographie, Infarktmerkmalen, diagnostischen Wahrscheinlichkeiten und Signalmerkmalen und bietet vorstrukturierte Trainings- und Test-Splits zur Förderung der Vergleichbarkeit von Machine-Learning-Modellen.
Seitdem wurde PTB-XL mehrfach als Benchmark für Deep-Learning-Modelle im EKG-Kontext etabliert. So belegten ResNet- und Inception-Architekturen regelmäßig Spitzenpositionen in Klassifikationsaufgaben wie Diagnostik, Alter- und Geschlechtsabschätzung. Jüngere Arbeiten am HHI erweiterten diese analytischen Tools: Durch den Einsatz strukturierter Zustandsraummodelle (SSMs), methodisch kombiniert mit Self-Supervised Learning und der Einbindung von demografischen Metadaten, konnten signifikante Performance-Steigerungen auf PTB-XL erzielt werden – sowohl im überwachten als auch im selbstüberwachten Setting.
Parallel dazu engagierte sich das HHI im Themenfeld „Verantwortungsvolle KI“ und in der Zertifizierung von KI-Systemen im medizinischen Kontext. Im Rahmen des Projekts P540 („Einsatz von Künstlicher Intelligenz in medizinischen Diagnose- und Prognosesystemen“) wurde eine prototypische Entwicklung von Testkriterien und Prüfverfahren adressiert, um die Zuverlässigkeit und Sicherheit von KI-Systemen in der Medizin zu gewährleisten. Diese Arbeit wurde vom BSI publiziert [3].
Veröffentlichungen
[1] Jost Arndt, Utku Isil, Michael Detzel, Wojciech Samek, Jackie Ma. Synthetic Datasets for Machine Learning on Spatio-Temporal Graphs using PDEs, Journal of Data-centric Machine Learning Research, May 2025, Open Access
[2] Wagner, P., Strodthoff, N., Bousseljot, R., Samek, W., & Schaeffter, T. (2022). PTB-XL, a large publicly available electrocardiography dataset (version 1.0.3). PhysioNet. RRID: SCR_007345. https://doi.org/10.13026/kfzx-aw45
[3] Bundesamt für Sicherheit in der Informationstechnik. (n.d.). Projekt P540 – Einsatz von Künstlicher Intelligenz in medizinischen Diagnose- und Prognosesystemen. Retrieved August 20, 2025, from https://www.bsi.bund.de/SharedDocs/Downloads/DE/BSI/Publikationen/Studien/Projekt_P540/Projekt_P540.html