Forschungsthemen

Erforschung seltener Krebsarten

Zu sehen sind zwei übereinander liegende Dashboards für Visual Data-Analyse des Projekts Visiomics.
Web-basierte Dashboards für Visual Data-Analyse.

In Rahmen des FFG COIN-Projektes VISIOMICS wurde von VRVis in Kooperation mit der St. Anna Kinderkrebsforschung und weiteren Partner in Wien eine webbasierte Plattform zur integrierten Exploration von Multi-Omics- und klinischen Daten geschaffen, die visuelle und automatische Datenanalyse vereint. Ein Ziel in der Forschung ist die Klassifizierung von Tumoren sowie die patientenspezifische Risikostratifizierung und Überlebensvorhersage. Eine vollständige Integration multiskalarer genomweiter (Multi-Omics-)Datensätze, wie zelluläre Merkmale, Genomik, Genexpression und/oder epigenetischer Daten mit klinischen Daten, unterstützt die Erforschung von Krebsarten im Patientenkontext, und kann so helfen, die individuelle Krebsdiagnostik gerade bei seltenen Krebsarten zu verbessern. Während Machine und Deep Learning-Ansätze auf einen größeren Datenbestand angewiesen sind, um Modelle zu lernen, stellt die von VRVis entwickelte Plattform zur visuellen Datenexploration gerade für seltene Krebsarten, für die jeweils nur wenige Datensätze vorhanden sind, für die Forschenden eine Alternative dar, um komplexe Zusammenhänge zu analysieren und neue Hypothesen zur entwickeln.

 

Verbesserung statistischer Aussagekraft von Langzeitstudien

Ausschnitt der Tageszeitung von Der Standard über VRVis-Forschungsarbeit zum Thema Datenlücken in Langzeitstudien
Die Tageszeitung "Der Standard" berichtete über die Forschungsarbeit des VRVis zum Thema Data Science im Dienste von medizinischen Langzeitstudien.

Medizinische Langzeituntersuchungen beschäftigen sich oft mit Zusammenhängen von Risikofaktoren und dem Auftreten von Krankheiten. Dabei fallen große Mengen an Daten an, zugleich ist aber auch das Fehlen von Daten eine der großen Herausforderungen. Der Ausfall von Patientinnen und Patienten und nicht erfasste Werte zählen zu den größten statistischen Problemen bei der Auswertung von Langzeitstudien. Nicht korrekt behandelt, verursachen sie ein Bias in der Datenauswertung, reduzieren so die statistische Aussagekraft und damit den Wert der Ergebnisse. Mit VIVID wurde gemeinsam mit Epidemiologen der Universität Greifswald eine Visual Analytics-Applikation entwickelt, die es ermöglicht, in klinischen Kohortenstudien fehlende Werte aufzuspüren und deren Charakter zu bestimmen. VIVID integriert auch Methoden, um fehlende Daten zu ersetzen und deren Validität zu beurteilen. VIVID wurde von unserem Wissenschaftspartner der Universität Magdeburg unter Mitwirkung von VRVis entwickelt.

 

Analyse, Planung und Steuerung von Gesundheitssystemen

Ein Dashboard aus Dexhelpp vergleicht Daten von Behandlungsmethoden miteinander.
Vergleich zweier Behandlungsmethoden im Hinblick auf ihre regionale Altersverteilung.

Daten des Gesundheitssystems haben das Potenzial eine wichtige Entscheidungshilfe zu sein. Dafür setzen wir am VRVis visuelle Datenanalyse ein und erforschen neue Visualisierungstechnologien, um den Prozess der datengetriebenen Modellierung im Gesundheitskontext zu unterstützen. Wir kombinieren Entscheidungsanalyse, Datensicherheit, Datenmanagement, Statistik, mathematischer Modellierung, Simulation und visueller Analyse. Die Verbindung dieser Methoden hilft beispielsweise die Ausbreitung von Krankheiten in der Bevölkerung zu analysieren und zu modellieren, Behandlungspfade zu untersuchen und die Auswirkungen von Veränderungen im Gesundheitssystem auf der Grundlage von Computermodellen zu untersuchen. Mehr Informationen über unser Projekt DEXHELPP.