Übersicht ausgewählter Projekte
Distributed Computing Under Data Protection Constraints
Individuelle Patientendaten gehören zu den besonders schützenswerten Daten, weshalb selbst eine Weitergabe zu Forschungszwecken innerhalb von Verbundprojekten nicht möglich sein kann.
Um trotzdem eine gemeinsame Analyse der Daten beispielsweise über mehrere Universitätskliniken hinweg zu ermöglichen, erarbeiten wir im Rahmen der Projekte MIRACUM und GESA spezielle statistische Verfahren zur Modellierung, welche den Datenschutz berücksichtigen indem lediglich aggregierte Daten geteilt werden. Wir bauen dabei auf der Platform DataSHIELD auf.
Verantwortlicher: Harald Binder
Mitarbeit: Daniela Zöller, Stefan Lenz
MIRACUM - Medical Informatics in Research And Care in University Medicine
Im Rahmen der Medizininformatik-Initiative des Bundesministeriums für Bildung und Forschung (BMBF) wird das MIRACUM-Konsortium, ein Zusammenschluss von inital 8 Unikliniken (Erlangen, Frankfurt, Freiburg, Gießen, Mainz, Magdeburg, Mannheim und Marburg) gefördert. Ziel des MIRACUM-Konsortiums ist es, eine Forschungsinfrastruktur aufzubauen, mit der dezentral gehaltene Datenbestände aus Behandlung und Forschung gemeinsam analysiert werden können. Dies wird an drei sogenannten „Use Cases“ demonstriert.
In Use Case 2 („From Data to Knowledge”), unter der Leitung von Harald Binder, geht es um die Erkennung von Mustern/Subgruppen in Patientendaten. Er besteht aus zwei Teilen. Im ersten Teil werden klinische Daten und Labordaten von Asthma/COPD-Patienten untersucht, im zweiten Teil klinische und genetische Daten (Genmethylierung) von Patienten mit Hirntumoren.
Verantwortlicher: Harald Binder
Mitarbeit: Stefan Lenz, Kiana Farhadyar
Enabling New Types of Questions in Evidence Synthesis
The PICO scheme has been used for over two decades to formalize the research question of a systematic review, by helping to specify the population, interventions, comparators, and outcomes of interest. Many research questions asked today, however, are broader and more complex, and thus do not fit into the PICO scheme. While some methods have been suggested that could potentially enable evidence synthesis for parts of such questions, available methodological developments are rather disjoint and not well aligned, hindering their combined use in real world examples. The aim of this project is to broaden the PICO scheme and corresponding statistical methods by creating, evaluating and establishing a holistic framework for synthesizing, assessing and presenting evidence from systematic reviews. Developments will be stimulated by a range of research questions in several clinical areas. Our starting point will be existing methods to synthesize evidence with broad definitions of populations, treatment comparisons and outcomes, such as network meta-analysis, population adjustment methods, multivariate meta-analysis, and multiple criteria decision analysis. We will integrate these methods, extend them and enrich them with novel approaches to create a framework that will allow researchers to ask new types of questions in evidence synthesis. .
Verantwortliche: Adriani Nikolakopoulou
Mitarbeit: Theodoros Papakonstantinou, Guido Schwarzer, Gerta Rücker
SoftMeta – Software for Meta-Analysis
Ziel dieses Projekts ist die Implementierung und Verbreitung statistischer Methoden der Metaanalyse in der frei verfügbaren Software R. Ausgangspunkt des Projekts sind die R-Pakete meta, metasens, netmeta und diagmeta , welche auf GitHub bereitgestellt sind. Weitere Informationen dazu finden Sie auch auf unserer Projekt-Seite bei ResearchGate und der der dazugehörigen Webseite unseres Buches "Meta-Analysis with R."
Verantwortlicher: Guido Schwarzer
Mitarbeit: Gerta Rücker
Modellierung von ROC-Kurven in Metaanalysen von Diagnosestudien und Netzwerkmetaanalyse
Dieses DFG-Projekt beschäftigt sich mit zwei aktuellen Forschungsgebieten der Evidenzsynthese in der Medizin, Metaanalyse von Studien zur diagnostischen Genauigkeit und Netzwerkmetaanalyse. Zur Metaanalyse von Diagnosestudien haben wir einen Ansatz entwickelt, mit dem man ganze ROC-Kurven kombinieren kann, und dazu ein neues R-Paket diagmeta implementiert. Zur Netzwerkmetaanalyse erweitern wir laufend unser R-Paket netmeta um neue Methoden, etwa um die Effekte von Kombinationstherapien zu separieren. Das Fernziel ist es, beide Gebiete zu kombinieren (Netzwerkmetaanalyse von Diagnosestudien).
Verantwortliche: Gerta Rücker
Mitarbeit: Guido Schwarzer, Susanne Steinhauser (für den Teil Diagnose)
DynaMORE - Dynamic Modeling of Resilience
Das EU (HORIZONT 2020) Projekt DynaMORE nutzt mathematische Modellierung zur Förderung der mentalen Gesundheit und des Wohlbefindens.
Als einer von zwölf Partnern des Konsortiums, integrieren wir multimodale und hochdimensionale Daten (z.B. fMRT und Verhaltensdaten sowie ökologisches Monitoring von Smartphones and Armbändern) in die Modelle und steuern Techniken zur dynamischen Vorhersage bei. In beiden Gebieten vergleichen wir Deep Learning Techniken mit traditionellen Ansätzen.
Verantwortlicher: Harald Binder
Mitarbeit: Göran Köber
GESA - Gender-Sensitive Analyses of Psychological Health
Querschnittsstudien ergaben viele Hinweise auf Unterschiede in der Prävalenz von psychischen Störungen bei Männern und Frauen. Geschlechts- und Gendersensitive Analysen, wie sie im Projekt GESA durchgeführt werden sollen, können zur Ursachenklärung der beobachteten Unterschiede beitragen.
Das Projekt vereint drei großangelegte Kohorten (SHIP / GHS / KORA), deren Daten eine längsschnittliche Betrachtung ermöglichen. Es sollen Hinweise auf kausale Beziehungen zwischen Prädiktoren abgeleitet werden und wirksame Modelle erarbeitet werden.
Verantwortlicher: Harald Binder
Mitarbeit: Daniela Zöller
MeInBio - BioInMe: Exploration of Spatio-Temporal Dynamics of Gene Regulation Using High-Throughput and High-Resolution Methods
Die Versuchsplanung von single cell RNA-seq Experimenten, insbesondere die Fallzahlplanung, ist ein entscheidender Schritt bei der Beantwortung biologischer Hypothesen, weil dadurch ausreichende statistische Power sichergestellt werden kann.
Wir untersuchen die Verteilungsannahmen von Einzelzell-Genexpressionsdaten und nutzen generative Modelle, aus dem Bereich des Deep Learning, um komplexe Strukturen innerhalb der Daten aufzudecken. Diese Strukturen werden zur Fallzahlplanung sowie zur Versuchsplanung für die Analyse differentiell exprimierter Zellen, zur Entdeckung von Zellgruppen und zur Beschreibung der stetigen Zellentwicklung verwendet.
Verantwortlicher: Harald Binder
Mitarbeit: Martin Treppner
AgeGain - Transfer of Cognitive Training Gains in Cognitively Healthy Aging: Mechanisms and Modulators
AgeGain ist eine multizentrische randomisierte kontrollierte Studie, bei der die Grundlagen des Transferlernens untersucht werden, um Maßnahmen zur Erhaltung der geistigen Leistungsfähigkeit im Alter zu identifizieren. Beteiligt ist die Uniklinik Köln, die Deutsche Sporthochschule Köln sowie die Universitätsmedizin in Mainz und Rostock. Die Probanden sind Menschen im Alter von 60-85 ohne größere körperliche oder geistige Einschränkungen. Ein Teil davon erhält ein spezielles kognitives Training und ein Teil davon zusätzlich noch ein Fitness-Training. Für die Studie werden die körperliche und soziale Aktivität erhoben, Hirn-Scans (fMRT und PET) gemacht und Tests zur geistigen und körperlichen Leistungsfähigkeit durchgeführt.
Unsere Aufgabe dabei ist die statistische Begleitung des Projekts, insbesondere im Hinblick auf die Herausforderungen, die die Analyse eines solchen multimodalen und hochdimensionalen Datensatzes mit sich bringt.
Verantwortlicher: Harald Binder
Mitarbeit: Stefan Lenz