DecodePCS 2025 – Datathon zu KI, Omics & Post-COVID: IDG RLP

DecodePCS 2025 – Datathon zu KI, Omics & Post-COVID

Drei intensive Tage, voller Ideen, Insights und echter Interdisziplinarität:
Vom 04.–06. Dezember 2025 lief unser Datathon „DecodePCS 2025“ im Gutenberg Digital Hub gemeinsam mit dem EPIC-AI-Konsortium der Universitätsmedizin Mainz. Ziel war es, interdisziplinäre Teams aus Forschung, Medizin und Data Science zusammenzubringen, um mit Künstlicher Intelligenz, Multi-Omics-Daten und klinischen Analysen innovative Lösungen für das Post-COVID-Syndrom (PCS) zu entwickeln. Wir blicken noch immer beeindruckt auf die Energie, Kreativität und Tiefe der Diskussionen zurück!

Worum ging es genau?

Veranstaltet wurde der Datathon im Rahmen des Projektes EPIC-AI (Leitung: Univ.-Prof. Dr. med. Philipp Wild, Universitätsmedizin Mainz). Der Verbund EPIC-AI verfolgt das Ziel, Patientinnen und Patienten mit Post-COVID-Syndrom anhand subklinischer, klinischer und molekularer Daten sowie mit Hilfe innovativer Datenanalyse-Verfahren in Gruppen zu klassifizieren und Endotypen zu identifizieren. Damit wird ein verbessertes Verständnis der Pathomechanismen des Post-COVID-Syndroms geschaffen. Zudem ermöglicht die Aufteilung des heterogenen Krankheitsbilds in Cluster die Entwicklung personalisierter Therapien sowie die Entdeckung potenzieller Zielstrukturen für Medikamente.

Alle Analysen erfolgten in der geschützten PHAIEOM-Plattform der PRIVACY UG – transparent, reproduzierbar und datenschutzkonform.

Ergebnisse & Ansätze

Das Gewinnerteam konnte mit PCS PROTEIN LASSO überzeugen – eine Custom Web App zur schnellen und intuitiven Interpretation von LASSO-/Elastic-Net-Analysen. Wir freuen uns, dass mit Klara Krämer, Kristina Hintz und Lukas Mittnacht 3 Teilnehmer aus dem IDG im Gewinnerteam dabei waren. Herzlichen Glückwunsch!

Danke!

Ein großes Dankeschön an alle Teilnehmenden, Organisatoren, Datenspezialisten und -spezialistinnen – und insbesondere an das Patient Participation Board für die wertvollen Perspektiven im Rahmen der Einführung in die Veranstaltung.
Der Datathon hat einmal mehr gezeigt, wie wichtig es ist, klinisches Wissen, Forschung, Informatik und die Perspektive von Betroffenen zusammenzubringen, um PCS besser zu verstehen und die Versorgung langfristig zu verbessern.
Wir freuen uns bereits auf den nächsten Datathon „DecodePCS 2026“ im Projekt EPIC-AI – und darauf, die entstandenen Ideen weiterzuführen.

Topic 1: AI-supported subtyping of the post-COVID syndrome (PCS) using multimodal data

Task: Development and application of AI-supported methods for identifying clinically relevant subtypes of post-COVID syndrome based on multimodal data. The aim is to identify PCS-specific patterns while considering confounding factors such as age and gender, and to characterize the subgroups with regard to symptoms. The cluster effectiveness of the multimodal dataset will be quantitatively evaluated in comparison to single-modality approaches using established performance metrics.

Topic 2: Integration of multimodal data and network analysis for characterizing PCS

Task: Integrating clinical and proteomic data to achieve a comprehensive understanding of PCS. Using multimodal data fusion and network-based analyses, the aim is to jointly explore symptom profiles and molecular signatures to identify distinct patient subgroups and their underlying biological pathways. Interactive network visualizations will be developed to link clinical features with protein-level changes and to support interpretable cluster analysis. Special attention will be given to identifying “outlier” patients—those with severe symptoms despite normal molecular findings, or vice versa—to uncover atypical biological mechanisms and refine PCS subtype characterization.

Topic 3: Using group-based proteomics information to research PCS

Task: To utilize proteomics-based groupings based on existing biological knowledge for improved interpretation of PCS data. Individual protein measurements can be aggregated into groups (e.g., functional protein sets), and suitable statistical models should be applied to investigate associations with clinical PCS manifestations. Specifically, the analysis should aim to identify what relationships exist between different symptoms (e.g., fatigue, memory problems, anxiety, depression) and functional protein groups such as those associated with inflammation, microcirculation, or neurotransmitters? Furthermore, the predictive power of such group-based omics signatures for classifying clinical phenotypes should be evaluated.