Auf dieser Seite findet sich eine Auswahl beispielhafter Projekte der einzelnen Forschungsgruppen.

Forschungsgruppe „Data-driven Healthcare“

1. Nationale Qualitätsüberwachung
   Im Rahmen mehrerer grosser Projekte, gefördert durch die Schweizerische Agentur für Innovationsförderung (Innosuisse), entwickelten wir umfassende Qualitätsindikatorensets – zur Sterblichkeit, zu Wiederaufnahmen und zu Komplikationen – sowie eine innovative Software zur Qualitätsüberwachung. Diese Software wird inzwischen in allen Schweizer Spitälern eingesetzt. Sie ermöglicht den statistischen Vergleich von Leistungserbringern, bietet erweiterte Filter- und Drilldown-Funktionen sowie eine neuartige Fallfindungsmethodik, bei der Outcome-Vorhersagen basierend auf maschinellem Lernen mit tatsächlichen retrospektiven Ergebnissen verglichen werden (siehe Newsmeldung).
2. Wearables zur Vorhersage gesundheitlicher Entwicklungen
   Eine neuere Forschungsausrichtung unserersits befasst sich mit Wearables zur Prognose von Gesundheitsergebnissen, Risiken und Krankheitsverläufen. So entwickelten wir beispielsweise ein Frühwarnsystem für Hypoglykämien bei Diabetiker:innen – basierend ausschliesslich auf Daten handelsüblicher Smartwatches (siehe Publikation).

Forschungsgruppe „Machine Learning in Healthcare“

1. Interpretierbare Analyse histopathologischer Bilddaten
   In Zusammenarbeit mit der Universität Tübingen und dem Radboud University Medical Center entwickelten wir ein erklärbares KI-System für die Analyse histopathologischer Bilder. Während bestehende Tools verdächtige Regionen markieren konnten, blieben ihre Entscheidungsgründe unklar. Unser System generiert dagegen natürliche Sprachkommentare – etwa „nekrotische Bereiche“ oder „vergrösserte Zellkerne“ – und ermöglicht Patholog:innen somit ein tieferes Verständnis und eine interaktive Diagnostik (siehe Publikation #1 | Publikation #2).
2. Vertrauenswürdige KI durch Decision Deferral in der medizinischen Diagnose
   In diesem Projekt entwickeln wir Strategien, mit denen Systeme des maschinellen Lernens entscheiden können, ob sie eine Vorhersage selbst treffen oder diese an Fachpersonen weiterreichen. Das ist entscheidend für die Patientensicherheit in unsicheren oder risikobehafteten Situationen. Derzeit liegt unser Fokus auf der Augenheilkunde, wo wir diese Strategien mit grossen Bilddatensätzen untersuchen, um die Zusammenarbeit zwischen Mensch und KI zu verbessern.

Forschungsgruppe „Functioning Epidemiology“

1. Funktionsindikator
   Die Forschungsgruppe „Functioning Epidemiology“ leitet die Entwicklung eines Funktionsindikators, der traditionelle Gesundheitskennzahlen wie Mortalität und Morbidität ergänzen soll. Ziel dieses Indikators ist es, die tatsächlichen Lebenserfahrungen von Menschen mit Gesundheitszuständen abzubilden, indem das funktionale Niveau in den Bereichen körperliche, psychische und soziale Gesundheit quantifiziert wird. Auf Basis gross angelegter Real-World-Daten – darunter elektronische Gesundheitsakten und Rehabilitationsdaten – wenden wir fortgeschrittene statistische Methoden und maschinelles Lernen an, um Funktionsverläufe und Übergänge zu modellieren. Das Ziel ist die Schaffung eines skalierbaren, klinisch relevanten und gesundheitspolitisch nutzbaren Indikators, der auf verschiedenen Ebenen des Gesundheitssystems eingesetzt werden kann – etwa zur Unterstützung individueller Versorgungsplanung, als Grundlage für klinische Entscheidungshilfen oder zur Beobachtung bevölkerungsbezogener Trends in Bezug auf Behinderung und Genesung. Dieses Projekt trägt zu einem grundlegenden Wandel hin zu inklusiveren, personenzentrierten Gesundheitssystemen bei.
2. Rückkehr zum Sport – Vorhersagemodell
   Die Forschungsgruppe „Functioning Epidemiology“ entwickelt Modelle des maschinellen Lernens zur Vorhersage der Rückkehr in den Sport bei Athleten. Durch die Analyse von Real-World-Daten zu Verletzungen, Rehabilitation und Leistungsparametern möchten wir zentrale prognostische Faktoren identifizieren, die die Dauer der Genesung und das Risiko einer erneuten Verletzung beeinflussen. Diese Modelle unterstützen die Entwicklung personalisierter Strategien für die Rückkehr in den Sport, die sowohl Leistungsziele als auch gesundheitliche Aspekte und langfristige Funktionsfähigkeit berücksichtigen. Unsere Arbeit leistet damit einen Beitrag zu sichereren, datenbasierten Entscheidungsprozessen in der Sportrehabilitation – mit Anwendungen im Jugend-, Leistungs- und Spitzensport.