Computermodelle und digitale Zwillinge in der Forschung beurteilen - Tierpfleger im Forschungslabor
Computermodelle und digitale Zwillinge in der Forschung beurteilen - Tierpfleger im Forschungslabor
QR-Code

Einleitung
Du arbeitest als angehende Tierpflegerin oder angehender Tierpfleger in Forschung und Klinik. Ein Forschungsteam schlägt vor, mit einem Computermodell einen Teil bisheriger Tierversuche zu ersetzen. Ist das Modell geeignet? Entscheidend sind nicht eindrucksvolle Grafiken, sondern die nachvollziehbare Frage, welche Daten es nutzt, wie zuverlässig es vorhersagt und wofür es geprüft wurde. Dieses Modul 04 behandelt Replacement im Sinne der 3R: Ersetzen, Vermindern und Verbessern. Du bewertest ausschließlich fiktive Datensätze und veröffentlichte Modellbeschreibungen. Zielprodukt ist ein begründetes Bewertungsraster mit den vier Pflichtfeldern Eingabedaten, Unsicherheit, Gültigkeitsbereich und unabhängige Überprüfung.
Medienbeobachtung: Welche Bauteile zeigt die Organ-on-Chip-Skizze? Welche Aussagen zur menschlichen Gesamtphysiologie lassen sich gerade nicht aus dem Bild ableiten?
Videoanalyse: Notiere zwei im Film dargestellte technische Möglichkeiten und zwei Fragen zur externen Validierung. Die Animation ist eine Einführung, kein Wirksamkeitsnachweis.
Grundlagen: Simulation, Modell und digitaler Zwilling
Ein Computermodell übersetzt ausgewählte Beziehungen der Wirklichkeit in Regeln, Gleichungen oder statistisch erlernte Muster. Eine Simulation berechnet damit mögliche Verläufe. Ein digitaler Zwilling bezeichnet ein an ein konkretes reales System rückgekoppeltes digitales Abbild; nicht jede einmal trainierte Vorhersage ist bereits ein digitaler Zwilling. Die Aktualisierung kann über Messwerte erfolgen, doch eine Datenschnittstelle allein garantiert keine richtige Prognose.
Unterscheide mechanistische Modelle, datengetriebene Modelle und hybride Modelle. Mechanistische Modelle nutzen ausdrücklich beschriebene Prozesse, können aber wichtige Prozesse auslassen. Maschinelles Lernen erkennt Muster, kann jedoch Störfaktoren statt biologischer Ursachen lernen. Hybride Modelle kombinieren beides. Jedes Modell braucht eine klar formulierte Zielgröße, eine Zielpopulation und einen Anwendungskontext.
Fall A: Ein fiktives Lebermodell schätzt einen Labor-Biomarker aus sechs Messwerten. Die Trainingsdaten stammen nur von gesunden erwachsenen Zellkulturen. Eine Aussage über Kinder, chronische Erkrankungen oder Wechselwirkungen mehrerer Organe wäre eine unzulässige Extrapolation. Halte diese Grenzen ausdrücklich im Laborprotokoll fest.
Eingabedaten und Datenqualität
Dokumentiere Datenherkunft, Erhebungsmethode, Messgerät, Einheiten, Zeitstempel, Stichprobengröße, fehlende Werte und mögliche Verzerrungen. Trenne Trainingsdaten, Validierungsdaten und eine unabhängige Testmenge. Wiederholte Messungen derselben Probe dürfen nicht unbemerkt auf Training und Test verteilt werden, da sonst Datenleckage die Güte künstlich erhöht.
Fall B: Ein fiktiver Datensatz enthält 80 Kulturen aus einem Labor und nur acht aus einem zweiten. Bei 15 Einträgen fehlt der Messzeitpunkt. Obwohl die Software 95 Prozent Trefferquote meldet, ist die Übertragbarkeit auf andere Labore offen. Fordere eine stratifizierte Auswertung und einen vorab festgelegten Umgang mit fehlenden Werten. Keine realen personenbezogenen Daten verwenden.
Praxisfrage: Welche Eingabespalte kann das Ergebnis stark beeinflussen? Prüfe, ob die Einheit dokumentiert ist und ob die Messung vor dem vorhergesagten Ereignis stattfand.
Unsicherheit, Fehler und Validierung
Unterscheide Messunsicherheit, Parameterunsicherheit, Modellstrukturfehler und Unsicherheit durch neue Einsatzbedingungen. Eine Punktschätzung ohne Fehlerbereich verschleiert die Streuung. Sensitivitätsanalysen variieren Eingaben systematisch; Kalibrierung untersucht, ob vorhergesagte Wahrscheinlichkeiten mit beobachteten Häufigkeiten übereinstimmen. Ein Konfidenzintervall und ein individuelles Prognoseintervall beantworten unterschiedliche Fragen.
Fall C: Ein Modell sagt für einen fiktiven Marker 12 Einheiten voraus, ein plausibler Vorhersagebereich beträgt 7 bis 18. Eine alternative Simulation ergibt 14. Das ist kein Nachweis einer biologischen Wirkung. Prüfe Messfehler, Modellannahmen und die praktische Bedeutung der Abweichung. Bei einer Entscheidungsschwelle von 10 wäre das Ergebnis nicht eindeutig.
Interne Validierung bewertet das Verfahren innerhalb der Entwicklung. Externe Validierung prüft neue Daten, idealerweise durch unabhängige Forschende, mit vorab festgelegten Kriterien. Berichte Fehlerraten für relevante Untergruppen und auch negative Befunde. Reproduzierbarkeit verlangt dokumentierte Versionen, Parameter und nachvollziehbare Auswertungen.
Gültigkeitsbereich und Replacement
Ein Modell ist immer für einen definierten Zweck geeignet oder ungeeignet, nicht allgemein gültig. Definiere Organ, Endpunkt, Expositionsbereich, Zeitfenster, Population und Entscheidungsfolge. Eine Organ-on-Chip-Plattform kann einzelne Gewebefunktionen abbilden; ein Organoid zeigt bestimmte räumliche Zellverbände. Weder Modell ersetzt automatisch alle systemischen Immun-, Nerven- und Stoffwechselprozesse.
Fall D: Ein fiktives Modell für eine akute Barrierefunktion wird als Ersatz für langfristige Entwicklungswirkungen vorgeschlagen. Das Prüfziel liegt außerhalb des Gültigkeitsbereichs: Entscheidung zurückstellen, geeignete Evidenz suchen und mit zuständigen Fachpersonen abstimmen. Ein Ersatzverfahren kann für eine bestimmte Fragestellung geeignet sein, ohne universell anerkannt zu sein.
Das PREPARE-Konzept unterstützt transparente Planung, ist aber kein Gesetz. Qualitätsstandards und technische Normen sind von rechtlich bindenden Vorgaben zu unterscheiden; regulatorische Akzeptanz hängt vom konkreten Einsatzgebiet ab.
Berufspraxis, Recht und nachvollziehbare Entscheidung
Die EU-Richtlinie 2010/63/EU und das deutsche Tierschutzgesetz regeln den Schutz von Tieren für wissenschaftliche Zwecke. Artikel 4 verankert Replacement, Reduction und Refinement; die rechtliche Zulässigkeit wird anhand des jeweiligen Vorhabens und des geltenden nationalen Rechts beurteilt. Nach § 8 TierSchG sind bestimmte Versuchsvorhaben genehmigungspflichtig. § 8a enthält ein vereinfachtes Genehmigungsverfahren für ausdrücklich bezeichnete Fälle und ist nicht pauschal ein Anzeigeverfahren. Landesvollzug, konkrete Bescheide und betriebliche SOPs sind zusätzlich zu prüfen.
Rechtsstand und Gültigkeit: Informationsstand und Abruf 09.11.2026. Die Änderungen durch die Delegierte Richtlinie (EU) 2024/1262 sind von den bis 09.11.2026 anwendbaren Regeln zu unterscheiden; die geänderten EU-Anforderungen gelten ab 04.12.2026. Prüfe vor einer tatsächlichen betrieblichen Entscheidung die aktuelle nationale Umsetzung und den behördlichen Bescheid. Die Ausbildungsordnung und KMK-Lernfelder 10 bis 13 dienen als curriculare Vertiefung, ersetzen keine Tätigkeitsbefugnis.
Berufliche Sachkunde ist tätigkeitsbezogen. Aufsicht, tierärztliche Anordnung, innerbetriebliche Freigabe und behördliche Genehmigung sind unterschiedliche Voraussetzungen. Weder die Ausbildung noch dieser Kurs erteilen eine allgemeine Befugnis zu Eingriffen, Narkose, Tötung oder Tierversuchen. Deine Rolle ist hier die strukturierte Prüfung und Dokumentation fiktiver Ersatzmodelle sowie die Weitergabe offener Fragen an verantwortliche Fachpersonen.
Fall E: Eine Projektleitung präsentiert eine überzeugende Simulation ohne unabhängige Testdaten. Dein Raster lautet: Eingabedaten unvollständig, Unsicherheit nicht beziffert, Gültigkeitsbereich nicht nachgewiesen, externe Prüfung fehlt. Ergebnis: keine Freigabeempfehlung; gezielte Nachweise anfordern. Das ist eine evidenzbezogene Bewertung, keine eigene behördliche Entscheidung.
Interaktive Aufgaben
= Quiz: Teste dein Wissen
Was macht einen digitalen Zwilling im engeren Sinne aus?
(Rückkopplung mit Messdaten eines konkreten Systems)
(!Eine besonders schöne Grafik)
(!Eine einmalige Tabellenkalkulation)
(!Eine Garantie richtiger Prognosen)
Was ist ein typisches Datenleck?
(Messungen derselben Probe landen in Training und Test)
(!Ein dokumentierter Messfehler)
(!Eine externe Testgruppe)
(!Ein vorab definierter Endpunkt)
Wozu dient externe Validierung?
(Prüfung an neuen unabhängigen Daten)
(!Nur zur Verbesserung des Layouts)
(!Zum Ersetzen der Zieldefinition)
(!Zur Vermeidung aller Fehler)
Welche Angabe beschreibt den Gültigkeitsbereich?
(Population Endpunkt und Zeitfenster)
(!Farbe der Bedienoberfläche)
(!Anzahl der Präsentationsfolien)
(!Name des Programms allein)
Was zeigt ein Prognoseintervall?
(Einen Bereich möglicher Einzelvorhersagen)
(!Eine rechtliche Genehmigung)
(!Den exakten zukünftigen Wert)
(!Die Herkunft der Lizenz)
Welche Rolle hat ein Organ-on-Chip?
(Abbildung ausgewählter Gewebefunktionen)
(!Vollständige Abbildung jedes Organismus)
(!Automatische regulatorische Anerkennung)
(!Ersatz aller klinischen Studien)
Was ist bei fehlenden Messwerten wichtig?
(Vorgehen dokumentieren und Verzerrung prüfen)
(!Alle Zeilen ohne Prüfung kopieren)
(!Fehlende Werte immer als Null lesen)
(!Fehler verschweigen)
Wie ist PREPARE einzuordnen?
(Freiwillige Planungsempfehlung)
(!Unmittelbar geltendes Strafgesetz)
(!Behördliche Einzelgenehmigung)
(!Berufliche Eingriffserlaubnis)
Was gilt für § 8a TierSchG?
(Er regelt unter Voraussetzungen ein vereinfachtes Genehmigungsverfahren)
(!Er erlaubt alle Tierversuche ohne Prüfung)
(!Er betrifft ausschließlich Software)
(!Er erteilt Auszubildenden Befugnisse)
Wie lautet eine verantwortbare Empfehlung ohne externe Daten?
(Weitere unabhängige Prüfung verlangen)
(!Das Modell sofort universell freigeben)
(!Alle Unsicherheiten ignorieren)
(!Den Einsatzbereich unbegrenzt erweitern)
= Memory
| Trainingsdaten | Daten zum Anpassen des Modells |
| Testdaten | Zur unabhängigen Leistungsbewertung zurückgehaltene Daten |
| Kalibrierung | Vergleich prognostizierter und beobachteter Häufigkeiten |
| Sensitivität | Reaktion des Ergebnisses auf veränderte Eingaben |
| Gültigkeitsbereich | Definierte Bedingungen zulässiger Modellnutzung |
| Datenleckage | Unzulässige Information aus dem Test in der Entwicklung |
Drag and Drop
| Ordne den Prüfaspekt zu | Prüffrage |
|---|---|
| Datenherkunft | Wo wurden Messwerte erhoben? |
| Unsicherheit | Wie breit ist die plausible Prognosespanne? |
| Übertragbarkeit | Für welche Population ist das Modell geprüft? |
| Reproduzierbarkeit | Sind Version und Parameter dokumentiert? |
| Externe Prüfung | Wurde eine unabhängige Testgruppe genutzt? |
Kreuzworträtsel
| Simulation | Berechnung eines möglichen Verlaufs mit Modellregeln |
| Validierung | Prüfung der Eignung für einen festgelegten Zweck |
| Kalibrierung | Abgleich von Prognosehäufigkeiten und Beobachtung |
| Organoid | Dreidimensionale zellbasierte Modellstruktur |
| Unsicherheit | Nicht vollständig auflösbare Streuung einer Aussage |
| Datenleckage | Ungewollter Informationsübertritt zwischen Datenmengen |
LearningApps
Lückentext
Offene Aufgaben
Leicht
- Aufgabe 1: Markiere in einer fiktiven Modellbeschreibung alle Eingabevariablen und notiere fehlende Einheiten.
- Aufgabe 2: Formuliere für ein Organ-on-Chip-Foto drei Beobachtungen und drei nicht belegte Behauptungen.
- Aufgabe 3: Erstelle ein Glossar zu Modell, Simulation, Zwilling und Validierung mit je einem Beispiel.
- Aufgabe 4: Kennzeichne in einem synthetischen Datensatz fehlende Werte und schlage Dokumentationsregeln vor.
Standard
- Aufgabe 1: Bewerte Fall A mit den vier Rasterfeldern und formuliere eine begründete Einschränkung.
- Aufgabe 2: Vergleiche zwei fiktive Vorhersageintervalle und erkläre die Folgen für eine Entscheidungsschwelle.
- Aufgabe 3: Analysiere das Einführungsvideo anhand einer Tabelle zu gezeigten Funktionen und ungeklärten Grenzen.
- Aufgabe 4: Entwerfe ein Prüfprotokoll für einen unabhängigen Test mit vorab festgelegten Endpunkten.
Schwer
- Aufgabe 1: Entwickle ein gewichtetes Bewertungsraster und begründe, warum eine schlechte externe Prüfung ein Ausschlusskriterium sein kann.
- Aufgabe 2: Untersuche an fiktiven Laborgruppen mögliche Datenleckage und entwirf eine robuste Datenaufteilung.
- Aufgabe 3: Verfasse eine Stellungnahme zu Fall D mit wissenschaftlicher und rechtlicher Trennung der Zuständigkeiten.
- Aufgabe 4: Präsentiere eine begründete Replacement-Empfehlung samt Gegenargumenten und einem Plan zur Evidenznachforderung.


Begründete Musterlösungen und typische Fehler
Leicht: Eine korrekte Datenliste enthält Herkunft, Einheit, Messzeit und fehlende Werte. Die Chip-Abbildung zeigt einen Aufbau, aber keine nachgewiesene Übertragbarkeit. Typischer Fehler: aus dem Bild auf die Eignung für den gesamten Menschen schließen.
Standard: Fall A ist auf die untersuchten gesunden Kulturen und den festgelegten Marker begrenzt. Ein Intervall, das die Entscheidungsschwelle überdeckt, rechtfertigt keine eindeutige Klassifikation. Ein externer Test muss getrennte Proben und vorab definierte Leistungsmaße enthalten. Typischer Fehler: Trainingsgüte als unabhängigen Beleg ausgeben.
Schwer: Das Raster darf kritische Mängel nicht durch viele nebensächliche Pluspunkte ausgleichen. Ohne nachvollziehbare Datenherkunft oder externe Prüfung lautet die Entscheidung zunächst Nachweise anfordern. Datenaufteilung erfolgt nach unabhängiger biologischer Einheit und Labor, nicht zufällig über wiederholte Einzelmessungen. Typischer Fehler: eine fachliche Empfehlung als behördliche Freigabe ausgeben.
Lernkontrolle
- Fallvergleich: Erkläre, warum eine hohe Trainingsgenauigkeit bei Fall B keinen belastbaren externen Leistungsnachweis liefert.
- Intervallentscheidung: Bewerte Fall C bei einer fiktiven Schwelle und begründe eine vorsichtige Empfehlung.
- Grenzenprüfung: Vergleiche den Zweck des Organ-on-Chip-Modells mit dem Langzeitendpunkt aus Fall D.
- Zuständigkeit: Trenne wissenschaftliche Bewertung, betriebliche SOP, tierärztliche Anordnung und behördliche Genehmigung.
- Ersatzentscheidung: Begründe, welche Evidenz eine verantwortliche Fachperson vor dem Ersatz eines Verfahrens benötigen würde.
Lernnachweis
Prüfbares Produkt: Reiche ein Bewertungsraster zu einem fiktiven Modell ein. Für jedes der vier Pflichtfelder Eingabedaten, Unsicherheit, Gültigkeitsbereich und unabhängige Überprüfung dokumentierst du Befund, Beleg, offene Frage, Risikoeinstufung und Konsequenz. Ergänze eine maximal einseitige Entscheidungsvorlage: geeignet für den eng definierten Zweck, nur nach Nachprüfung geeignet oder derzeit nicht ausreichend belegt. Bewerte fachliche Grenzen und Zuständigkeiten getrennt. Bewertungsmaßstab: nachvollziehbare Belege 40 Prozent, Unsicherheitsbehandlung 25 Prozent, Zweckgrenzen 20 Prozent, rechtlich-berufliche Abgrenzung 15 Prozent. Eine begründete Ablehnung kann volle Punktzahl erreichen.
Beispielraster Fall B: Daten: stark einseitige Laborherkunft und fehlende Zeitangaben, hohes Risiko. Unsicherheit: keine laborübergreifende Streuung berichtet, offen. Gültigkeitsbereich: nur ähnlich erhobene Kulturdaten, eng. Unabhängige Überprüfung: nicht belegt. Empfehlung: keine allgemeine Übernahme; externe Validierung und vollständige Dokumentation anfordern.
OER und Wikipedia
Quellenprüfung: Abruf 09.11.2026; Rechtsangaben gelten für diesen Stichtag. Primärquellen haben Vorrang vor erläuternden Sekundärseiten.
- Richtlinie 2010/63/EU sowie Delegierte Richtlinie 2024/1262 mit Anwendungsbeginn 04.12.2026.
- Bf3R als fachliche Informationsquelle zu 3R und Alternativmethoden.
- PREPARE als freiwillige Planungshilfe, keine Rechtsnorm.
- Commons-Dateiseite: OrganOnChipModel.jpg, Urheber VictorMicrofluidics, Lizenz CC BY-SA 4.0, unveränderte Einbindung, Alt-Beschreibung: schematische Darstellung eines Organ-on-Chip-Modells.
- Video: What is organ-on-a-chip technology?, BioTechniques, veröffentlicht 23.06.2023, Animation Peter Halliday; Einbettung über YouTube, Rechte beim jeweiligen Rechteinhaber.
Verknüpfte Lernbereiche
aiMOOC Projekte
Schulfach+


aiMOOCs


aiMOOC Projekte


MOOCwiki · Deutsch
Nach dem Lernen ist vor dem Lernen
Entdecke direkt den nächsten Lernkurs. Weitere Inhalte erscheinen, wenn Du weiter nach unten scrollst.
Zur MOOCwiki-HauptseiteMediathek
Mediathek wird aus dem Wiki geladen ...
Keine passenden Inhalte gefunden. Bitte ändere Suche oder Filter.
NEWSLernweltNOAH fragenInhalt melden · Hinweise zu Fehlern, Quellen, Medienrechten oder Dubletten
