04Referenzen6 ausgewählt

Belegbare Erfolge.
Referenzkunden im Fokus.

Projekte für die Spitzenforschung und das Gesundheitswesen. Wir glauben an offene Standards und veröffentlichen unsere Frameworks und Benchmarks, sobald sie praxisreif sind.

Deep LearningKünstliche IntelligenzVersicherungsdaten

Synthese deutscher Krankenkassendaten.

Kunde: AstraZeneca & Amgen (2023–2024)
Datenbasis: Daten einer deutschen Krankenkasse
Ziel: Erzeugung eines synthetischen Datensatzes mit identischen statistischen Eigenschaften – ohne datenschutzrechtliche Risiken
Methodik: Training tiefer neuronaler Netze zum Erlernen komplexer Datenverteilungen
Fokus: Evaluation von Güte (Fidelity) und Privatsphäre über verschiedene methodische Ansätze

Statistische ModellierungPredictive Analytics

Analyse von Brustkrebsdaten eines deutschen Krebsregisters.

Kunde: Internationales Pharmaunternehmen (2025)
Datenbasis: Registerdaten eines deutschen Krebsregisters
Ziel: Identifikation früher Indikatoren für Metastasierung bei Brustkrebs
Methodik: Statistische Modellierung und Machine Learning zur Analyse komplexer Therapie-Outcome-Zusammenhänge
Fokus: Interaktionen verschiedener Therapien bei Tumoren unterschiedlicher molekularer Subtypen

Machine LearningProduktiver Modellbetrieb

Automatisierte Prüfung von eRezepten mittels Machine Learning.

Kunde: Deutsche Krankenkassen (2022–2025)
Datenbasis: eRezepte deutscher Krankenkassen
Ziel: Frühzeitige Erkennung von Fehlern in eRezepten zur Optimierung der Retaxationsprozesse
Methodik: Training von Machine-Learning-Modellen und produktiver Betrieb in einer Kubernetes-Umgebung
Fokus: Optimierung komplexer Abrechnungs- und Retaxationsprozesse

Machine LearningEvidenzgenerierung

Identifikation von Patient:innen-Subkohorten mit optimiertem Sicherheitsprofil.

Kunde: Bayer AG (2019–2022)
Datenbasis: US-amerikanische Patientendaten (Optum)
Ziel: Identifikation von Kohorten, die von kardiovaskulärer Medikation profitieren und dabei ein optimiertes Sicherheitsprofil zeigen
Methodik: Training von Machine-Learning-Methoden zur Vorhersage von Endpunkten für Sicherheits- und Wirksamkeitsanalysen
Fokus: Evidenzgenerierung

Deep LearningReal-World EvidenceDevOps

Real-World-Evidence-Plattform zur Post-Market-Bewertung von Arzneimitteln.

Kunde: Bayer AG
Datenbasis: Real-World-Daten aus Praxen, Kliniken und gesetzlichen Krankenkassen
Ziel: Beschleunigung der Post-Market-Bewertung von Sicherheit und Wirksamkeit von Arzneimitteln
Methodik: Machine-Learning- und Deep-Learning-Pipelines, integriert in die IT-Landschaft von Bayer
Fokus: Bedienbarkeit für Fachexpert:innen ohne Machine-Learning-Hintergrund

RWeb-ApplikationR&D-Tooling

R&D-Analyse-App für Diagnostik-Telemetrie.

Kunde: Roche Diagnostics GmbH
Datenbasis: Interne Leistungsdaten diagnostischer Sensorik
Ziel: Self-Service-Zugang und erste Analysen für F&E-Ingenieur:innen
Methodik: R-basierte Web-Applikation, gemeinsam mit Roche R&D entwickelt
Fokus: Optimierung digitaler Arbeitsabläufe im Forschungsteam