Verbesserte Risikostratifizierung bei Neuroblastomen durch KI-Algorithmen   

Das Neuroblastom, der häufigste solide Krebs bei Kindern, erfordert aufgrund seines unterschiedlichen klinischen Verhaltens und seiner unterschiedlichen Behandlungsansprechrate genauere Prognosemarker und verbesserte Diagnose-Überlebensvorhersagetools, um die Patientenstratifizierung zu verfeinern. Innovative Ansätze könnten daher insbesondere für Hochrisikopatienten mit schlechter Prognose relevant sein, um diese komplexen klinischen Szenarien effektiv anzugehen.

QP-Insights^® stellt einen transformativen Durchbruch dar und bietet eine umfassende Plattform zur Speicherung und Verwaltung von Patientendaten, einschließlich klinischer, molekularer und bildgebender Patienteninformationen, während gleichzeitig modernste KI-Algorithmen integriert werden, die als klinische Entscheidungsunterstützungssysteme dienen, um die Patientenversorgung und Behandlungsergebnisse zu verbessern. In diesem Zusammenhang hat Quibim eine bahnbrechende Lösung zur Vorhersage des Gesamtüberlebens bei Neuroblastompatienten entwickelt, die die Kombination klinischer, molekularer und radiomischer Daten nutzt. Diese Lösung wurde extern validiert und zeigte im Vergleich zu aktuellen klinischen Standards vielversprechende Ergebnisse bei der Patientenstratifizierung.

Eine Zusammenarbeit zwischen führenden Forschungs- und akademischen Einrichtungen und Quibim hat im Rahmen eines europäischen Projekts namens  PRIMAGEvielversprechende Ergebnisse erzielt. Dieses Projekt nutzt prädiktive In-silico-Multiskalen-Analysen zur Unterstützung einer personalisierten Krebsdiagnose und -prognose, die durch bildgebende Biomarker unterstützt wird. Diese Partnerschaft stattet Kliniker mit fortschrittlichen Werkzeugen aus, die sie bei der klinischen Entscheidungsfindung unterstützen und so letztlich die Behandlungsergebnisse bei Neuroblastom-Patienten verbessern. Quibim wiederum stärkt seine Position als Pionier, indem es innovative medizinische Bildgebungslösungen anbietet, die die Leistungsfähigkeit der Integration von Multiomics-Daten bei pädiatrischen Krebspatienten durch fortschrittliche Methoden der künstlichen Intelligenz nutzen.