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 können 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

---

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 können. Dazu sollen sowohl retrospektive als auch prospektive Studien in Betracht gezogen werden. Dabei ist, im Gegensatz zu Arzneimitteln, zu berücksichtigen, dass diese Algorithmen regelmäßig, auf Grund neuer Daten aktualisiert werden können.

---

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 routinemäßig 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 können und an Testmethoden forschen, die diesen Makel beheben.

---