Zynnon, gegründet Ende 2019, ist darauf spezialisiert, die Ausbreitung von Atemwegsinfektionen und im Krankenhaus erworbenen Infektionen zu überwachen beziehungsweise zu verhindern. Somit arbeitet es auch daran, künftige Pandemien dank optimierter Risikokontrolle besser zu meistern. Und dieser Bereich hat Potenzial: Atemwegsinfektionen allgemein sind die dritthäufigste Todesursache weltweit, sie sind jährlich für bis zu vier Prozent der Todesfälle verantwortlich. Am stärksten betroffen seien Menschen ab 65 Jahren, «sie machen 85 Prozent der Todesfälle durch Atemwegsinfektionen aus».
Spitäler noch zu wenig gerüstet
«Bei Krankenhauspatienten, insbesondere bei älteren Menschen mit multiplen Begleiterkrankungen, besteht ein erhöhtes Risiko für schwere Krankheitsverläufe. » Diese Infektionen stellen laut Zynnon schon seit Langem einen der grössten Risikofaktoren für Patienten dar. «Aktuelle Daten zeigen jedoch, dass die Krankenhäuser trotz mehr als zwei Jahren Pandemie noch nicht in der Lage sind, Übertragungen innerhalb ihrer Räumlichkeiten zu vermeiden.»
Digitale Echtzeit-Risikoüberwachung
Das Zynnon-Projekt hat zum Ziel, die Echtzeit-Risikoüberwachung im Zusammenhang mit über den Luftweg übertragenen Krankheitserregern in Innenräumen zu verbessern. Dafür hat die Schweizer Innovationsagentur Innosuisse dem Start-up kürzlich 800'000 Franken Fördergelder gesprochen. Das Projekt wird in Zusammenarbeit mit dem Schweizer Innovationszentrum CSEM und dem Institut und Hochschule für Gesundheit La Source über einen Zeitraum von 24 Monaten entwickelt und validiert. Ziel der partnerschaftlichen Zusammenarbeit sei laut Khaled Abousaleh, Gründer und Geschäftsführer von Zynnon, der Aufbau des ersten Systems zur Messung des Infektionsrisikos in Innenräumen. Dafür kommt spezielle Sensorik und Cloud-basierter künstliche Intelligenz zum Einsatz. Aktuell sei man dabei, die erste Prüfung unter realen Patientenumgebungen am Inselspital, dem Universitätsspital Bern, zu starten. Es sollen Echtzeitdaten gesammelt werden, um das Modell der künstlichen Intelligenz zur Vorhersage des Übertragungsrisikos zu bauen und anzupassen.