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 treffen. Ziel dieses Forschungsthemas ist es, die Frage zu behandeln, wie der notwendige Evidenzgrad erreicht werden kann, damit diese Algorithmen in der Patientenbetreuung eingesetzt werden k?nnen. Dazu sollen sowohl retrospektive als auch prospektive Studien in Betracht gezogen werden. Dabei ist, im Gegensatz zu Arzneimitteln, zu berücksichtigen, dass diese Algorithmen regelm??ig, auf Grund neuer Daten aktualisiert werden k?nnen.

---

Wie man Entscheidungen über die Zuteilung von limitierten Ressourcen trifft, ist ein Problem mit vielen Anwendungen. Bei einem Computercluster stellt sich die Frage, wie man Aufgaben den Kernen zuordnet, ein Internetanbieter muss entscheiden, wie die Bandbreite verteilt wird und in der Arzneimittelentwicklung stellt sich die Frage, welche Produkte, wann entwickelt werden sollen oder welche Arznei ein Patient in einer Studie erhalten soll. Optimale sequenzielle Entscheidungsverfahren (z.B. multi-armed bandits) werden heutzutage in manchen Anwendungsbereichen routinem??ig angewendet. In den Lebenswissenschaften werden solche Methoden allerdings noch eher selten angewandt, da sie zwar gute Zuteilungsentscheidungen treffen, allerdings oft unzureichend sind, um zum Beispiel zu etablieren, ob ein Medikament besser ist als ein anderes. Hier entwickeln wir neue Verfahren welche beide Ziele erreichen k?nnen und an Testmethoden forschen, die diesen Makel beheben.

---