DECODE PCS 2026 – A Datathon on AI, Omics & Clinical Insight into Post-Covid Syndrome 2.0
Vom 19. bis 21. August 2026 veranstaltete das Institut für digitale Gesundheitsdaten RLP (IDG) gemeinsam mit der Universitätsmedizin Mainz den zweiten DECODE PCS Datathon im Rahmen des Forschungsprojekts EPIC-AI.
Nach dem erfolgreichen Auftakt im vergangenen Jahr ging der DECODE PCS in die nächste Runde. Im Mittelpunkt standen dieses mal die Validierung, Integration und Weiterentwicklung bestehender Analyseansätze sowie die Entwicklung robuster Modelle für ein besseres Verständnis des Post-COVID-Syndroms (PCS). Der Datathon ist Teil eines mehrstufigen Forschungsansatzes innerhalb von EPIC-AI, bei dem Datathons gezielt zur Generierung und Überprüfung wissenschaftlicher Erkenntnisse eingesetzt werden.
Den Teilnehmenden standen hochwertige, pseudonymisierte Datensätze aus der Gutenberg COVID-19-Studie (GCS), der Gutenberg Post-COVID-Studie (GPC), der COVIDOM-Studie sowie den rheinland-pfälzischen SARS-CoV-2-Surveillance- und Dokumentationssystemen zur Verfügung. Die Datensätze vereinten klinische Informationen, Symptomdaten, Laborwerte, Multi-Omics-Daten und bevölkerungsbezogene Gesundheitsdaten. Die Analyse erfolgte in der geschützten Forschungsumgebung der Datenplattform PHAIEOM.
Der Datathon richtete sich an Forschende, Mediziner, Data Scientists sowie Studierende mit Erfahrung in der Datenanalyse, die ihre Expertise in einem interdisziplinären Umfeld einbringen und gemeinsam innovative Analyse- und Visualisierungsmethoden für die Post-COVID-Forschung entwickeln wollten.
Am Ende des dritten Tags des Datathons hieß es: Ergebnisse präsentieren! Nach intensiver Datenanalyse, Diskussion und gemeinsamen Lösungsentwicklung stellten die Teams ihre Ansätze und Erkenntnisse einer Jury vor.
Besonders überzeugen konnte das fusionierte Team „COVIDOM Kiel" / „Innovative Data Gang", bestehend aus Birthe Bernicke, Kristina Hintz, Lutz Liefer, Klara Krämer, Dr. Lukas Mittnacht, Muteeb Ur Rehman, Dr. Cédric Roussel und Dr. Eike Andreas Strathmann. Das Team entwickelte einen Ansatz, um langfristig anhaltende Post-Covid-Symptome frühzeitig vorherzusagen.
Dafür nutzte es ein Machine-Learning-Modell auf Basis klinischer Daten, Laborwerte und bestehender Beschwerden. Explainable AI machte zudem relevante Einflussfaktoren der Vorhersagen sichtbar. Ergänzend entwickelte das Team ein Dashboard zur anschaulichen Darstellung der Ergebnisse. Damit sicherte sich das Team den 1. Platz des DecodePCS 2026 Datathons – herzlichen Glückwunsch zu dieser großartigen Leistung!
Ein großes Dankeschön geht auch an alle Teilnehmenden, die mit viel Engagement, Kreativität und Ausdauer an den Challenges gearbeitet und ihre Ergebnisse präsentiert haben.
Zum Abschluss bedankte sich Philipp Kachel als Gastgeber noch einmal bei allen Teilnehmenden für die großartige Zusammenarbeit, das herausragende Engagement und den intensiven Austausch während der drei Tage. Auch Prof. Dr. Philipp Wild, Leiter des Projekts EPIC-AI, zeigte sich begeistert von den präsentierten Ergebnissen und den vielfältigen Lösungsansätzen, die die Teams innerhalb kürzester Zeit entwickelt hatten.
Ebenso danken wir unserer Jury, Dr. Stefan B., Dr. Christian Dresel und Dr. Nils Herm-Stapelberg, unseren Datenmentorinnen und -mentoren, Alexander Schmidt, Julian Chalabi und Dr. Sepehr Golriz Khatami sowie allen weiteren Beteiligten, die die Teams während des Datathons unterstützt und zum Gelingen der Veranstaltung beigetragen haben.
Die Kernaspekte & Challenges
- Hochwertige pseudonymisierte Forschungsdaten aus etablierten COVID-19-Kohorten und Surveillance-Systemen
- Interdisziplinäre Zusammenarbeit mit Expert aus Wissenschaft, Medizin und Data Science
- Drei Tage intensives Arbeiten an wissenschaftlichen Fragestellungen
- Präsentation der Ergebnisse vor einer Fachjury mit anschließender Preisverleihung
- Austausch und Networking beim gemeinsamen Get-together
Challenge 1: Ermittlung des kleinsten Biomarker-Panels für die Patientenstratifizierung
- Leitfrage: Welches ist die kleinste Gruppe an Biomarkern, mit dem sich Post-COVID-Phänotypen zuverlässig unterscheiden lassen?
- Ziel: Identifikation einer minimalen Gruppe molekularer Marker, der eine präzise Klassifizierung von Post-COVID-Phänotypen ermöglicht.
Challenge 2: Entwicklung eines klinisch einfach anwendbaren Scores zur Identifikation von Patientinnen und Patienten mit einem Risiko für eine ausbleibende Genesung
- Leitfrage: Ist es möglich, bereits zum Zeitpunkt der Infektion oder beim ersten diagnostischen Besuch (> 6 Monate nach der Infektion) Patientinnen und Patienten mit einem hohen Risiko für eine anhaltende Symptomatik über mehr als zwei Jahre zu identifizieren?
- Ziel: Identifikation einer minimalen Gruppe von Markern zur Risikostratifizierung.
Challenge 3: Fehlende Puzzleteile ergänzen – Kohortenübergreifende Imputation und Datenintegration bei Post-COVID
- Leitfrage: Können fehlende klinische und molekulare Informationen zwischen verschiedenen Post-COVID-Kohorten mithilfe datengetriebener Methoden zuverlässig vorhergesagt werden?
- Ziel: Entwicklung computergestützter Methoden zur Vorhersage von Variablen, die in einem Datensatz fehlen, in einem anderen jedoch erhoben wurden, unter Nutzung gemeinsamer klinischer, molekularer und demografischer Informationen.
Challenge 4: Verknüpfung von Molekülen mit Krankheitsbildern – Zuordnung von Multi-Omics-Signaturen zu Post-COVID-Phänotypen
- Leitfrage: Welche molekularen Signaturen sind mit spezifischen klinischen Post-COVID-Phänotypen (z. B. Fatigue, kognitive, sensorische oder kardiovaskuläre Ausprägungen) assoziiert?
- Ziel: Systematische Verknüpfung von Omics-Daten mit klinisch bzw. symptomdefinierten Post-COVID-Phänotypen, um molekulare Korrelate des Krankheitsbildes zu identifizieren.