Einleitung: Bislang gibt es wenig Evidenz über das Zusammenspiel von prä- und intraoperativen Faktoren, die einen Einfluss auf das Höroutcome nach CI-Implantation haben. Machine-Learning basierte prädiktive Modelle stellen eine Möglichkeit dar, eine große Menge heterogener Daten zu berücksichtigen und in geeigneter Weise zu kombinieren. Dies erfolgt mittels Techniken des multi-modalen maschinellen Lernens als Form der künstlichen Intelligenz (KI) in der Medizin.

Ziel: Die Entwicklung und Validierung eines prädiktiven Modells für Patient_innen mit Cochlea-Implantaten ist auf Basis des deutschlandweiten CI-Registers Ziel des vorliegenden Projektes in einem multizentrischen Setting. So soll eine objektive Indikationsstellung und präoperative Prädiktion des postoperativen Höroutcomes gelingen.

Material und Methoden: Zur Erreichung des Projektzieles wurden 5 Arbeitspakete erstellt, in denen eine Analyse von potentiellen, einzelnen Einflussfaktoren mittels maschinellem Lernen berechnet wird. Auf dieser Basis wird ein KI-gestütztes erklärbares Vorhersagemodell entwickelt, das mit retrospektiver Analyse prä- intra- und postoperativer Daten sowie des Hörerfolges lernt, eine präoperative Selektion von Patient_innen durchzuführen.

Ausblick: Das große Innovationspotential des Projektes an der Schnittstelle zwischen Medizin, IT und KI stellt eine Chance dar, den Cochlea-Implantationsprozess maßgeblich zu objektivieren und zu verbessern.

Keiner.