demo.aion-clinical.eu — Die AION-Plattform zum Ausprobieren

Unter demo.aion-clinical.eu ist die interaktive Demonstrationsplattform von AION Clinical zugänglich. Alle Szenarien arbeiten mit fiktiven, klinisch plausibel konstruierten Daten — sie geben aber einen authentischen Eindruck davon, wie AION formale Modelltheorie in konkrete klinische Entscheidungsunterstützung übersetzt.

Die Plattform besteht aus vier Modulen.

Simulation I — Ein postoperativer Fall in sieben Akten¶

Wenn die Daten sprechen könnten — was würden sie sagen?

Ausgangssituation: ein 71-jähriger Patient nach aortokoronarer Bypass-Operation (CABG). In den Stunden nach dem Eingriff entwickelt sich eine akute Nierenschädigung (AKI). Die Simulation führt durch sieben Akte:

Ereignistypisierung — Rohdaten (Vitalzeichen, Laborwerte, Medikamente) werden in das formale AION-Ereignismodell überführt. Jedes Ereignis erhält einen Typ (τ_lab, τ_med, τ_vital), ein Fuzzy-Zeitintervall und einen Konfidenzwert.
Temporale Struktur — Die Allen-Algebra ordnet Ereignisse: Welche Ereignisse fallen zusammen, welche gehen voran, welche überlappen? Aus Rohdaten wird eine geordnete Ereignischronologie.
Mustersuche — Das AION-Abfragesystem sucht nach RTP-Mustern (Regular Temporal Patterns): z. B. Kreatinin-Anstieg > 0,3 mg/dl followed-by Oligurie < 0,5 ml/kg/h innerhalb von 6 Stunden — das AKI-Frühwarnsignal nach KDIGO-Leitlinie.
Korrelation vs. Kausalität — War der ACE-Hemmer ursächlich? Der do-Kalkül nach Pearl ermöglicht kontrafaktische Fragen: P(AKI | do(kein ACE-Hemmer)). Das Ergebnis quantifiziert, ob die Medikation kausal oder nur korreliert war.
Kontrafaktische Intervention — Was wäre passiert, wenn die Flüssigkeitsgabe 2 Stunden früher begonnen hätte? Der AION-Simulator berechnet die kontrafaktische Trajektorie unter Berücksichtigung der Backdoor-Adjustierung (§ 22.3 AION v1.0).
Erklärbarkeit (Shapley-Attribution) — Welche Ereignisse trugen wie viel zur Risikoschätzung bei? Die Shapley-Werte (§ 22.4 AION v1.0) weisen jedem Ereignis einen quantifizierten Beitrag zur Vorhersage zu.
Systemarchitektur — Abschließend zeigt die Simulation, welche der sechs AION-Schichten (Typisierung, Temporal, Kohorte, Kausal, Erklärbarkeit, Interoperabilität) in diesem Fall zusammenspielen.

→ Simulation I starten

Simulation II — Sepsis auf der Allgemeinstation¶

Auf einer Station mit zwölf Patienten — welche zwei brauchen jetzt Aufmerksamkeit?

Es ist Donnerstag, 22:00 Uhr, Internistische Allgemeinstation. Zwölf Patienten, drei Pflegekräfte, keine Anwesenheit eines Arztes. Welcher Patient verschlechtert sich gerade?

AION wertet kontinuierlich aus, ob die Sepsis-3-Definition zutrifft: SOFA-Score-Anstieg ≥ 2 Punkte, kombiniert mit Infektionsverdacht. Die Demonstration zeigt:

Temporale Mustererkennung mit dem NFA-Operator¶

Das Sepsis-Muster lässt sich als nichtdeterministischer Automat (NFA) formulieren:

(Fieber > 38°C ODER Hypothermie < 36°C)
  BEFORE  (Atemfrequenz > 22/min WITH_OVERLAP Laktat > 2 mmol/l)
  BEFORE  (SOFA-Anstieg ≥ 2 Punkte)

AION evaluiert dieses Muster in O(|π| · n_k) — unabhängig von der Gesamtlänge der Ereignissequenz. Für 12 Patienten mit je einigen Hundert täglichen Messwerten bedeutet das: Neubewertung in Echtzeit bei jeder eingehenden Vitalwertmessung.

SEP-1 Bundle-Compliance¶

Parallel zur Früherkennung prüft AION die Einhaltung des SEP-1-Maßnahmen-Bündels: Blutkulturen vor Antibiotikagabe, Antibiotikum innerhalb einer Stunde, Laktat-Kontrolle. Abweichungen werden zeitlich präzise dokumentiert — für Qualitätssicherung und Haftungsklarheit.

Trajektorienvorhersage¶

Für den wahrscheinlichsten Patienten berechnet AION eine 6-Stunden-Laktat-Trajektorie mit Konfidenzintervall. Die Vorhersage basiert auf dem formalen Verlaufsmodell — nicht auf Black-Box-Regression.

→ Simulation II starten

Simulation III — Multicenter-Studie mit Differential Privacy¶

Drei Kliniken, eine Forschungsfrage, keine Datenkopie.

Ausgangslage: Idiopathische Pulmonale Fibrose (IPF), eine seltene Erkrankung. Klinik A, B und C haben jeweils 80–120 Patientenfälle — zu wenige für statistisch robuste Aussagen. Die naheliegende Lösung — Daten zentralisieren — scheitert an DSGVO, Krankenhausverträgen und berechtigten Datenschutzinteressen.

AION löst dies durch föderierte Auswertung mit formalen Datenschutzgarantien:

Disjunkte Patientenpartition¶

Jede Klinik wertet lokal aus. Kein Rohdatum verlässt das Haus. Ausgetauscht werden ausschließlich verrauschte Zählungen.

Laplace-Mechanismus und ε-Differential Privacy¶

Der Laplace-Mechanismus fügt gezieltes Rauschen hinzu:

M(D) = f(D) + Laplace(Δf / ε)

ε ist das Privacy-Budget — ein formaler, quantifizierter Datenschutzparameter. Die Demonstration zeigt interaktiv, wie sich ε auf Genauigkeit und Datenschutz auswirkt.

Das Kompositions-Theorem¶

Entscheidend: Bei disjunkter Patientenpartitionierung addiert sich das Privacy-Budget nicht. Jede Institution bleibt bei ihrem lokalen ε. Das ist kein Versprechen, sondern ein mathematisch bewiesener Satz (§ 20.3 AION v1.0).

Die Simulation lässt ε per Schieberegler einstellen und zeigt live, wie sich Schätzgenauigkeit und Datenschutzgarantie gegenüberstehen — eine Grundlage für informierte Studiendesign-Entscheidungen.

→ Simulation III starten

AION DAG-Editor — Klinische Workflows modellieren¶

Der DAG-Editor ist ein browserbasierter Graph-Editor für klinische Behandlungspfade. Workflows werden als gerichtete azyklische Graphen (DAGs) modelliert: Diagnose → Intervention → Bewertung → Entlassung.

Knoten-Typen:

Typ	Bedeutung
`τ_diag`	Diagnose-Ereignis
`τ_med`	Medikamentengabe
`τ_proc`	Prozedur / Eingriff
`τ_obs`	Beobachtung / Messung
`τ_dec`	Entscheidungsknoten

Der Editor exportiert den modellierten Workflow als strukturiertes JSON — kompatibel mit der AION-Backend-API. In der Demo ist die API-Anbindung aktiviert und simuliert einen Roundtrip gegen das AION-Production-Backend.

→ DAG-Editor öffnen

Technischer Hintergrund¶

Alle vier Demonstrationen laufen als statische HTML/JS-Seiten gegen ein gemeinsames AION-Backend. Die Produktionsinfrastruktur (Docker Compose, nginx, PostgreSQL, Keycloak-OIDC) ist identisch mit dem Setup, das in realen Pilotinstallationen eingesetzt wird.

Die Demo-Daten sind klinisch plausibel konstruiert, basierend auf: - Sepsis-3-Definition (Singer et al., 2016) - KDIGO-AKI-Leitlinie 2012 - Surviving Sepsis Campaign (SSC) Bundle SEP-1 - IPF-Therapiestandards (pirfenidon / nintedanib)

Formale Grundlagen: AION v1.0, Zenodo 10.5281/zenodo.19553130

Fragen zur Plattform oder zu einer Pilotinstallation: info@iscad-it.de

← Zurück zum Blog ← Back to blog