Verleihung des 7. Dora Brücke-Teleky Awards im Billrothhaus
Am 25. November 2024 wurden Clemens Spielvogel, MSc PhD (Department of Biomedical Imaging and Image-guided Therapy, MedUni Wien), Elma Dervic, Dipl.-Ing. PhD (Complexity Science Hub; Zentrum für Medical Data Science, MedUni Wien) und Florentina Porsch, PhD (Klinisches Institut für Labormedizin, MedUni Wien) mit dem Dora Brücke-Teleky Award für die besten Paper an der Medizinischen Universität Wien ausgezeichnet.
Die Gesellschaft der Ärzte in Wien und der Alumni Club der MedUni Wien verleihen seit 2021 als gemeinsame Initiative den „Dora Brücke-Teleky Award“. Mit dieser Auszeichnung werden zweimal jährlich herausragende Publikationen von Postdocs der MedUni Wien prämiert. Ziel dieses Preises ist es, die Verdienste und Leistungen talentierter junger Wissenschaftler*innen aller Disziplinen zu würdigen, die Sichtbarkeit ihrer Arbeit zu erhöhen und ihre akademische Laufbahn zu fördern.
Am 25. November 2024 fand im Billrothhaus der Gesellschaft der Ärzte in Wien die siebte Verleihung der „Dora“ statt. Durch den Abend führten Univ.-Prof. Dr. Sylvia Knapp (Vizepräsidentin der Gesellschaft der Ärzte in Wien) und Univ.-Prof. Dr. Harald Sitte (Präsident des Alumni Clubs der MedUni Wien). Aus den hervorragenden Einreichungen wählte eine unabhängige Jury drei Gewinner*innen, die eingeladen wurden, im Billrothhaus ihre Arbeiten zu präsentieren und ihre Auszeichnung entgegenzunehmen. Die „Dora“ ist mit € 2.400,- dotiert und wurde von der Gesellschaft der Ärzte in Wien gestiftet.
Wir gratulieren den Gewinner*innen sehr herzlich zu ihren hervorragenden Leistungen!
Die Preisträger*innen im Überblick:
1. Preis:
Diagnosis and prognosis of abnormal cardiac scintigraphy uptake suggestive of cardiac amyloidosis using artificial intelligence: a retrospective, international, multicentre, cross-tracer development and validation study
Clemens Spielvogel, MSc PhD Department of Biomedical Imaging and Image-guided Therapy, MedUni Wien
Zusammenfassung der Arbeit
In cardiac amyloidosis, accurate and timely diagnosis is vital to initiate life-saving treatment. In this study, a deep learning system for the opportunistic screening of cardiac amyloidosis among more than 16,000 patients undergoing scintigraphy was developed and validated at nine centers. The results indicated high diagnostic accuracy, removed inter-rater variability, and offered prognostic value, supporting the potential clinical implementation to assist cardiac amyloidosis detection.
Unraveling cradle-to-grave disease trajectories from multilayer comorbidity networks
Elma Dervic, Dipl.-Ing. PhD Complexity Science Hub; Zentrum für Medical Data Science, MedUni Wien
Zusammenfassung der Arbeit
The paper Unraveling Cradle-to-Grave Disease Trajectories from Multilayer Comorbidity Networks presents a novel approach to understanding the progression of diseases throughout an individual's lifespan. By leveraging multilayer network analysis, the authors construct interconnected layers of comorbid conditions, capturing the complex interplay of diseases over time. The introduced method highlights critical pathways, enabling better prediction of critical events in patient carriers.
TREM2 protects from atherosclerosis by limiting necrotic core formation
Florentina Porsch, PhD Klinisches Institut für Labormedizin, MedUni Wien
Zusammenfassung der Arbeit
The present study shed light on the role of the receptor TREM2, which is highly expressed on foam cells – the hallmark cells of atherosclerosis – in the pathogenesis of atherosclerosis. Using a murine model, it was shown that TREM2 limits the formation of necrotic cores by limiting the accumulation of dying cells by regulating their survival and clearance in the plaque. This was validated in genetic models as well as using an agonistic antibody, highlighting the therapeutic potential of targeting TREM2. Moreover, it was demonstrated in a clinical study that circulating levels of soluble TREM2 (sTREM2) may serve as a biomarker to predict plaque progression in patients with subclinical atherosclerosis.
