Forschung

In klinischen- und Verhaltensstudien ist im Allgemeinen zu erwarten, dass nicht alle Teilnehmer gleich auf eine Intervention reagieren. Ziel dieser Arbeiten ist es, den Effekt eine Intervention, differenziert nach unbekannten Unterpopulationen, zu evaluieren bzw. die potenziellen Effekte von verschiedenen Interventionen auf Basis der Charakeristika des Patienten zu vergleichen. Zu diesem Zwecke k?nnen sowohl etablierte statistische Methoden (z.B. penalised regression) als auch moderne Vorhersagemethoden wie regression trees verwendet werden. Daraus ergeben sich Fragen wie:
??? ?welche dieser Methoden soll im konkreten Fall verwendet werden
??? ?wie man aus diesen Vorhersagen ein Unterpopulation definiert
??? ?wie validiert man die Vorhersagen

---

Traditionelle klinische Studien sind starr sodass die erhobenen Daten nicht genutzt werden, um das Studiendesign zu verbessern. Zudem werden viele bereits vorhandene Daten, beispielsweise aus anderen Studien, oft nicht verwendet. In diesem Forschungsbereich entwickeln wir neue adaptive und bayesianische Methoden zur Steigerung der Effizienz klinischer Studien. Unser Hauptfokus liegt dabei auf Dosisfindungsstudien und Studien, wie zum Beispiel Plattformstudien, die mehrere Fragestellungen innerhalb einer einzigen Studie beantworten sollen.

---

Eines der vielversprechendsten Anwendungen von Machine Learning und Algorithmen der künstlichen Intelligenz ist Precision Medicine. Die Hoffnung ist dabei, dass diese Algorithmen helfen, aus den individuellen Daten eines Patienten (z.b. genetische, epidemiologische und Umweltfaktoren) akkurate Gesundheitsvorhersagen
bzw. Behandlungsentscheidungen zu