From Registration to Insight: How STRONG AYA Transforms Registry Data to Enhance Decision-Support Tools for Adolescent and Young Adult Oncology

Die Studie beschreibt, wie das internationale Konsortium STRONG AYA mithilfe von Federated Learning und einem Core Outcome Set Daten aus dem britischen Yorkshire-Spezialregister für Krebs bei Kindern und Jugendlichen nutzt, um Entscheidungsunterstützungstools zu entwickeln, die die Patientenberatung für Adoleszente und junge Erwachsene mit Krebs verbessern.

Das Wesentliche

🌟 Die große Reise: Von der Anmeldung zur klaren Entscheidung

Stellen Sie sich vor, Krebs bei Jugendlichen und jungen Erwachsenen (zwischen 15 und 39 Jahren) ist wie ein unerwarteter Sturm, der mitten in einer wichtigen Bauphase des Lebens tobt. Diese jungen Menschen stehen erst am Anfang ihres Lebens: Sie machen ihren Abschluss, finden ihre erste große Liebe, gründen eine Familie oder starten ihre Karriere. Wenn der Krebs zuschlägt, geht es nicht nur um die Heilung des Körpers, sondern auch darum, dass diese wichtigen Lebensstationen nicht verloren gehen.

Das Problem bisher war: Die Landkarten waren unvollständig.
Ärzte haben zwar Daten über Krebs gesammelt (in sogenannten „Krebsregistern"), aber diese Karten zeigten oft nur die groben Umrisse. Es fehlten die feinen Details, die für junge Menschen wichtig sind: Wie geht es ihnen wirklich? Sind sie ängstlich? Haben sie Depressionen? Wie fühlt sich ihr Alltag an? Ohne diese Details war es schwer, die richtige Route für die Behandlung zu finden.

🚀 Das neue Projekt: STRONG AYA – Ein europäisches Team

Hier kommt das Projekt STRONG AYA ins Spiel. Man kann sich das wie einen riesigen, pan-europäischen Fahrrad-Relais vorstellen.

• Das Ziel: Daten aus verschiedenen Ländern (wie Großbritannien, Polen, den Niederlanden, Frankreich und Italien) zu sammeln, um ein besseres Bild zu erhalten.
• Das große Hindernis: In Europa gibt es strenge Datenschutzgesetze. Man darf die persönlichen Daten der Patienten nicht einfach in einen großen Koffer packen und durch die Gegend tragen. Das wäre wie das Teilen von privaten Tagebüchern – absolut verboten.

🛡️ Die Lösung: Der „Geister-Transporter" (Federated Learning)

Wie schafft man es also, gemeinsam zu lernen, ohne die Daten zu teilen?
Die Forscher nutzen eine Technik namens „Federated Learning". Stellen Sie sich das so vor:

Statt die Patienten-Tagebücher in einen Zentralraum zu bringen, schicken sie kleine, unsichtbare Roboter (Algorithmen) zu jedem einzelnen Krankenhaus.

1. Der Roboter reist zum Krankenhaus in Leeds (UK), liest die lokalen Daten, macht seine Berechnungen und verlässt das Krankenhaus wieder.
2. Er nimmt nur die Ergebnisse (die „Lektion", die er gelernt hat) mit, aber niemals die persönlichen Daten.
3. Alle Roboter treffen sich dann an einem sicheren Ort, tauschen ihre Erkenntnisse aus und erstellen gemeinsam ein riesiges, detailliertes Mosaik aus Wissen.

So wissen alle, wie es jungen Krebspatienten in ganz Europa geht, ohne dass jemand weiß, wer genau welche Daten hat.

🏥 Der praktische Nutzen: Die „Wettervorhersage" für den Arzt

Das Papier beschreibt nun, wie diese riesige Datensammlung in die Praxis kommt, konkret am Beispiel eines Krankenhauses in Leeds.

Stellen Sie sich vor, ein Arzt sitzt mit einem jungen Patienten zusammen. Der Patient hat gerade einen Fragebogen ausgefüllt, der seine Ängste und Depressionen misst (die sogenannte HADS-Skala).

• Früher: Der Arzt sah nur die Zahl des Patienten. „Ist das hoch? Ist das normal?" Er musste raten oder auf veraltete Tabellen schauen, die vielleicht gar nicht für junge Krebspatienten gemacht waren.
• Heute (mit STRONG AYA): Der Arzt schaut auf einen Bildschirm (das System „PROMPT"). Dort sieht er nicht nur die Zahl des Patienten, sondern eine farbige Bandbreite, die aus den Daten von Tausenden anderen jungen Patienten in ganz Europa berechnet wurde.

Die Analogie:
Es ist wie bei einer Wettervorhersage.

• Der Patient ist heute in seinem eigenen „Wetter" (seine Angst ist hoch).
• Das System zeigt dem Arzt aber sofort: „Schau mal, bei 1000 anderen jungen Menschen mit demselben Krebs und im selben Alter war das Wetter heute auch so stürmisch."
• Oder: „Dein Patient ist hier ein einsamer Sturm, während es bei allen anderen sonnig ist."

Das gibt dem Arzt und dem Patienten sofort eine Einordnung. Der Patient merkt: „Oh, ich bin nicht verrückt, das ist eine typische Reaktion in meiner Situation." Der Arzt weiß: „Okay, hier müssen wir vielleicht genauer nachhaken oder Hilfe anbieten."

🎨 Das Ergebnis: Bessere Entscheidungen

Durch diese Verbindung von regionalen Daten (aus Leeds) mit dem europäischen Netzwerk können Ärzte:

1. Vergleiche anstellen: Wie geht es meinem Patienten im Vergleich zu anderen?
2. Filtern: Wie sieht es speziell bei Mädchen mit Leukämie aus? Oder bei Jungs mit einem bestimmten Tumor?
3. Entscheidungen treffen: Basierend auf echten Daten aus der Praxis, nicht nur auf theoretischen Modellen.

Fazit

Das Papier zeigt, wie man aus trockenen Zahlen in Registern lebendige Werkzeuge für die Patientenversorgung macht. Es ist wie der Bau einer Brücke: Auf der einen Seite stehen die lokalen Krankenhäuser mit ihren Patienten, auf der anderen Seite das riesige Wissen Europas. Die Brücke (die Technologie) erlaubt es, dass beide Seiten miteinander sprechen, ohne dass die Privatsphäre der Patienten gefährdet wird.

Das Ziel ist einfach: Damit junge Menschen, die Krebs überleben, nicht nur am Leben bleiben, sondern ihr Leben in vollen Zügen genießen können – unterstützt durch die besten Daten, die wir haben.

Technische Zusammenfassung

Technische Zusammenfassung: Von der Registrierung zur Erkenntnis – STRONG AYA und die Transformation von Registerdaten

1. Problemstellung
Adoleszenten und junge Erwachsene (AYA, Alter 15–39 Jahre) mit Krebs stellen eine Patientengruppe mit einzigartigen Bedürfnissen dar, die oft von herkömmlichen onkologischen Registern nicht ausreichend abgedeckt werden.

• Datenlücke: Bestehende populationsbasierte Krebsregister (PBCR) fehlen häufig spezifische AYA-Datenelemente, insbesondere im Hinblick auf die langfristige Lebensqualität (QoL) und patientenberichtete Ergebnisse (PROs).
• Datensilos: Daten sind oft dezentral gespeichert und durch unterschiedliche lokale Formate sowie semantische Inkompatibilitäten (z. B. unterschiedliche Definitionen von Bildungsabschlüssen) erschwert.
• Datenschutz: Der Austausch von individuellen Patientendaten über Ländergrenzen hinweg ist aufgrund strenger Datenschutzbestimmungen (z. B. DSGVO) und ethischer Bedenken schwierig, was die Erstellung robuster, europaweiter Referenzdaten verhindert.
• Klinische Anwendung: Kliniker nutzen oft historische oder nicht-AYA-spezifische Referenzbereiche, um PROs zu bewerten, was zu einer unzureichenden personalisierten Versorgung führt.

2. Methodik
Das Projekt nutzt die STRONG AYA-Infrastruktur, ein pan-europäisches Konsortium, um diese Herausforderungen durch folgende technische Ansätze zu lösen:

• Federated Learning (FL): Anstatt sensible Rohdaten zu zentralisieren, werden Analysen dezentral in lokalen Datenknoten (Data Stations) durchgeführt. Nur die aggregierten Ergebnisse (Statistiken) werden ausgetauscht. Dies gewährleistet den Datenschutz bei gleichzeitiger Nutzung großer Datenmengen.
• Infrastruktur & Tools:
  • Vantage 6: Dient als FL-Engine, die die dezentralen Datenknoten (z. B. das Yorkshire Specialist Register of Cancer in Children and Young People, YSRCCYP) verbindet.
  • Flyover Tool & Semantische Interoperabilität: Um lokale Datenformate in ein gemeinsames Standardformat zu überführen, wird ein geteilter Terminologie-Map verwendet. Das Flyover Tool bildet lokale Formate auf das STRONG AYA-Terminologiemodell ab und erzeugt semantisch interoperable Ressourcenbeschreibungs-Frameworks (RDF).
  • PROMPT (Patient Reported Outcomes Management Platform): Eine in Leeds entwickelte Software, die in die lokale elektronische Patientenakte (EPR) integriert ist. Sie dient als Schnittstelle für die Visualisierung der Daten.
• Datenharmonisierung: Bestehende retrospektive Daten (z. B. aus dem YSRCCYP) wurden mit dem neu entwickelten Core Outcome Set (COS) für AYA abgeglichen, um PROs (insbesondere die Hospital Anxiety and Depression Scale, HADS) in die FL-Infrastruktur zu integrieren.
• Bridging-Prozess: Ein automatisierter Abgleich (Bridging) zwischen der lokalen Datenbank von PROMPT und der STRONG AYA-Infrastruktur lädt periodisch aggregierte Referenzwerte (Median, Interquartilsabstand) herunter, um diese als dynamische Referenzbereiche in der klinischen Software zu nutzen.

3. Wichtige Beiträge

• Integration regionaler Register in eine pan-europäische Infrastruktur: Demonstration, wie ein regionales Register (YSRCCYP, UK) nahtlos in ein europäisches FL-Netzwerk eingebunden werden kann, ohne Daten zu verlassen.
• Dynamische Referenzbereiche: Ersetzung statischer, historischer Normwerte durch aktuelle, populationsbasierte Referenzbereiche, die spezifisch für AYA-Patienten und deren Diagnosen sind.
• Klinische Visualisierung (Proof of Concept): Entwicklung einer Benutzeroberfläche in PROMPT, die individuelle Patientendaten (HADS-Scores) direkt mit den aggregierten FL-Ergebnissen vergleicht.
  • Traffic-Light-System: Farbcodierte Darstellung (Grün/Orange), ob ein Patient innerhalb oder außerhalb des Referenzbereichs liegt.
  • Longitudinale Analyse: Grafische Darstellung des Verlaufs über die Zeit mit überlagerten Referenzbändern (Q1, Median, Q3).
  • Stratifizierung: Möglichkeit, Daten nach Geschlecht, Krebsart, Alter und Land zu filtern.

4. Ergebnisse

• Datenvolumen: Bis dato wurden über 26.829 AYA-Patienten aus fünf europäischen Ländern in die Infrastruktur integriert.
• HADS-Daten: Für die spezifische Fallstudie (Angst und Depression) lagen 368 HADS-Erfassungen aus zwei Partnern (Niederlande und UK) vor, die für die Berechnung der Referenzstatistiken genutzt wurden.
• Funktionale Umsetzung: Die Integration in PROMPT funktionierte erfolgreich. Kliniker können nun die HADS-Scores eines fiktiven Patienten über einen drei-monatigen Zeitraum sehen und diese mit dem europäischen Median und den Quartilen vergleichen.
• Workshop-Erkenntnisse: Ein Workshop mit Gesundheitsfachkräften (HCPs) bestätigte den Bedarf an solchen Tools, um Patienten bei der Normalisierung ihrer Erfahrungen zu unterstützen und Interventionen bei Abweichungen frühzeitig zu erkennen.

5. Bedeutung und Ausblick

• Verbesserung der Patientenversorgung: Durch die Visualisierung von "Peer-Daten" können Patienten ihre Situation besser einordnen (Normalisierung), was die Shared Decision-Making fördert.
• Forschung und Politik: Die Infrastruktur ermöglicht nicht nur klinische Anwendungen, sondern auch die Durchführung komplexer statistischer Modelle (z. B. Cox-Regression, Kaplan-Meier-Kurven) über Ländergrenzen hinweg, um Überlebensraten und Prognosen zu vergleichen.
• Skalierbarkeit: Der Ansatz ist auf andere Register und klinische Systeme übertragbar. Zukünftige Schritte umfassen die Visualisierung komplexerer Regressionsmodelle und die Erweiterung auf weitere PROs.
• Nachhaltigkeit: Die Studie zeigt, wie PROs durch den direkten klinischen Nutzen und die sichere, datenschutzkonforme Verarbeitung zu einem integralen Bestandteil des Behandlungswegs werden können.

Fazit:
Das Papier demonstriert einen erfolgreichen technischen Proof-of-Concept, wie Federated Learning und semantische Interoperabilität genutzt werden können, um fragmentierte Krebsregisterdaten in eine wertvolle Ressource für die personalisierte Onkologie bei Jugendlichen und jungen Erwachsenen zu verwandeln. Dies ebnet den Weg für datengestützte, evidenzbasierte Entscheidungen direkt am Krankenbett.