Forschungsschwerpunkt Computational Health
Der Forschungsschwerpunkt Computational Health befasst sich mit Fragestellungen aus Medizin und Biologie unter Verwendung datengetriebener und mechanistischer Modellierung. Wichtige Instrumente sind maschinelles Lernen für die Bild- und Signalanalyse, graphische Netzwerke, Parameterschätzung für Differenzialgleichungssysteme und physiologische Simulation.
Über uns
Der Schwerpunkt Computational Health befasst sich mit fundamentalen Fragestellungen aus Biologie und Medizin unter Verwendung computergestützter, datengetriebener Methoden. Wichtige Instrumente sind maschinelles Lernen für die Bild- und Signalanalyse, Parameterschätzung für Differenzialgleichungssysteme und Multiphysik-Simulation. Effektive Validierungsstrategien werden eingesetzt, um mit dem Unbekannten umzugehen.
Unsere Forschungsgruppen
Biomedical Simulation
Die Forschungsgruppe ist spezialisiert auf die Modellierung biologischer und medizinischer Systeme. Es werden neue Ansätze entwickelt zur Simulation physiologischer Prozesse und um krankhafte Veränderung vorherzusagen. Insbesondere fliesst vertieftes Wissen zu biologischen/physiologischen Prozessen in Multi-Physik Simulationen ein.
Die Gruppe entwickelt Algorithmen zur Parameter- und Unsicherheitsschätzung physikalisch motivierter stochastischer Modelle. Insbesondere werden Maschinelle Lernverfahren mit Bayes’scher Modellierung verknüpft zur Reduktion der Dimensionalität. Diese Verfahren finden breite Anwendung in der Medizin und in den Life Sciences.
Medical Image Analysis
Die Forschungsgruppe wendet maschinelle Lernverfahren an zur Interpretation medizinischer Bilddaten. Derart werden Merkmale extrahiert zur Charakterisierung von Krankheitsbildern und zur Verwendung als diagnostische Marker. Von besonderem Interesse sind die radiomische und morphologische Vermessung diagnostischer Bilddaten. Hierbei verfolgt die Gruppe das Ziel, mittels erklärbarer maschineller Lernverfahren reproduzierbare, bildbasierte Biomarker zu etablieren und deren klinischen Nutzen sicherzustellen.
Medical Data Modelling
Die Forschungsgruppe wendet Verfahren der Statistik und des maschinellen Lernens an zur Modellierung von Wirkzusammenhängen in medizinischen Daten, um insbesondere pathophysiologische Prozesse zu analysieren. Patientendaten werden zusammen mit Daten aus Bildgebungsverfahren, insbesondere der Magnetresonanztomographie, analysiert.
Biosensor Analysis & Digital Health
Die Forschungsgruppe untersucht Daten von Wearables und Biosensoren mit Methoden der Zeitreihenanalyse und verbindet diese mit biologisch-physikalischen Modellen zur robusten Charakterisierung von physiologischen Zuständen. Diese Datenquellen dienen zur Umsetzung von Patient Reported Outcomes in die klinische Praxis und zur Weiterentwicklung der patientenzentrierten Medizin.
Lehre
Das Lehrangebot des Forschungsschwerpunktes Computational Health umfasst Teilgebiete der mathematischen und physikalischen Modellierung. Auf Stufe Bachelor ist sie verantwortlich für die Vertiefung Digital Health. In weiteren Bachelor Lehrgängen am Departement unterrichtet sie Physik und Mathematik. Im MSc Applied Computational Life Sciences und im PhD-Programm Data Science bieten sie vertiefte Kurse zur Modellierung komplexer Systeme an.
Team Computational Health
-
Schwerpunktleitung ZHAW digital health lab, ...
-
Leitung Forschungsgruppe Medical Image Analysis & ...
-
Schwerpunktleitung Biosensor Analysis und Digital ...
Projekte
- Vorherige Seite
- Seite 01
- Seite 02
- Seite 03
- Seite 04
- Nächste Seite
-
Smart Hospital – Integrated Framework, Tools & Solutions (SHIFT)
Das Spital der Zukunft wird ein anderes sein, als wir es heute kennen. Durch den konsequenten Einsatz neuer Organisationsformen, digitaler Technologien und mittels der Vernetzung von Abläufen und Daten wird das Spital kontinuierlich in ein intelligentes System transformiert: das Smart Hospital. Darin steht der ...
-
Automated Release Testing System (ARTS)
Acthera Therapeutics AG und ZHAW entwickeln ein automatisiertes Freisetzungstestsystem (ARTS) für mechanotherapeutische Arzneimittel. Das Gerät ist für Acthera wichtig, um neue Arzneimittel-Liposomenformulierungen zu testen, die Qualität zu kontrollieren, einen Wettbewerbsvorteil zu wahren und mit ...
-
Maschinelles Lernen für NMR-Spektroskopie
Das Ziel dieses Projekts ist es, NMR-Spektroskopie einem grösseren Anwendungsbereich zugänglich zu machen, indem die verschiedenen Schritte der Datenanalyse automatisiert werden. Dazu soll eine Kombination von Deep Learning-Methoden für die Extraktion und ein Bayes'scher Ansatz für die Vernetzung und Verfeinerung ...
-
Datengetriebene Entscheidungsunterstützung bei intrakraniellen Aneurysmen und in der Spitalgastronomie mittels Bayes'schen Netzwerken
Klinische Entscheidungen in der Medizin und Managemententscheidungen im Facility Management werden regelmäßig auf Basis von geringer Evidenz oder Extrapolationen getroffen und auch durch subjektive und wirtschaftliche Aspekte beeinflusst. Während in der Medizin aufgrund der zunehmenden Digitalisierung Daten ...
-
Evaluation von Methoden der Bayes'schen Modellierung für die Digitale Gesundheit
Ziel des Anschubprojektes ist es die bereits vorhandenen Ressourcen im Bereich der Bayes-Statistik und -modellierung im Institut für Angewandte Simulation zu evaluieren und zu bündeln. Auf Basis dessen werden konkret Ansätze und Tools getestet und eine Strategie zur weiteren Verwendung in der Forschung entwickelt. ...
Publikationen
-
Reissenberger, Pamela; Serfözö, Peter; Piper, Diana; Juchler, Norman; Glanzmann, Sara; Gram, Jasmin; Hensler, Karina; Tonidandel, Hannah; Börlin, Elena; D’Souza, Marcus; Badertscher, Patrick; Eckstein, Jens,
2023.
European Heart Journal - Digital Health.
Verfügbar unter: https://doi.org/10.1093/ehjdh/ztad039
-
Bächinger, David; Filidoro, Noemi; Naville, Marc; Juchler, Norman; Kurtcuoglu, Vartan; Nadol, Joseph B.; Schuknecht, Bernhard; Kleinjung, Tobias; Veraguth, Dorothe; Eckhard, Andreas H.,
2023.
Scientific Reports.
13(1), S. 10303.
Verfügbar unter: https://doi.org/10.1038/s41598-023-36479-5
-
Ulzega, Simone; Albert, Carlo; Beer, Jürg,
2023.
In:
5th Swiss SCOSTEP Workshop, Windisch, Switzerland, 15-16 May 2023.
Verfügbar unter: http://scostep2023.cs.technik.fhnw.ch/pres/ulzega_scostep_2023.pdf
-
Bacci, Marco; Sukys, Jonas; Reichert, Peter; Ulzega, Simone; Albert, Carlo,
2023.
A comparison of numerical approaches for statistical inference with stochastic models.
Stochastic Environmental Research and Risk Assessment.
Verfügbar unter: https://doi.org/10.1007/s00477-023-02434-z
-
Ulzega, Simone; Albert, Carlo,
2023.
Hydrology and Earth System Sciences.
27(15), S. 2935-2950.
Verfügbar unter: https://doi.org/10.5194/hess-27-2935-2023