Methodische Forschung
Das Institut für Medizinische Statistik am Zentrum für Medical Data Science an der Medizinischen Universität Wien widmet sich der Weiterentwicklung statistischer Methoden in der medizinischen Forschung. Neben der Methodenentwicklung implementieren wir diese Methoden in Open-Source-Software, um ihre praktische Anwendung zu unterstützen.
Insbesondere konzentrieren wir uns auf folgende Bereiche:
Adaptive klinische Studiendesigns & Plattformstudien
In Fortführung der von Peter Bauer begründeten langjährigen Forschungstradition auf dem Gebiet der adaptiven klinischen Studiendesigns entwickelt die Arbeitsgruppe „Adaptive Designs“ statistische Methoden und Software zur Verbesserung der Effizienz von explorativen und konfirmatorischen klinischen Studien. Darauf aufbauend entwickeln wir statistische Methoden für die Planung und Analyse von Plattformstudien, einem neuartigen Studiendesign, das mehrere zusammenhängende randomisierte klinische Studien in eine einzige Studie integriert und dabei komplexe Aspekte wie die Adjustierung der Multiplizität, die Einbeziehung von „non-concurrent“ Kontrollen, die optimale Zuteilung von Patienten, Adaptationen, die Planung und Anpassung des Stichprobenumfangs sowie Randomisierungsverfahren berücksichtigt. Darüber hinaus wenden wir adaptive Designs auf hochdimensionale genetische Studien an, einschließlich Microarray-Analysen, RNA-seq- und Proteomics-Studien.
Testen mehrerer Hypothesen & Überlebensanalyse
Wir entwickeln innovative Methoden für statistische Inferenz, wenn mehrere Hypothesen gleichzeitig untersucht werden. Unser Hauptaugenmerk liegt auf ihrer Anwendung in randomisierten klinischen Studien und hochdimensionalen Studien. Darüber hinaus entwerfen wir Methoden zur Analyse von „time-to-event“-Daten mit besonderem Schwerpunkt auf Vergleichen zwischen Gruppen unter Berücksichtigung von nicht proportionalen Hazards.
Planung und Analyse von Tierversuchen & Nichtlineare Bayes’sche Modellierung
Wir evaluieren Forschungsprozesse bei Tierversuchen, um sicherzustellen, dass wichtige Qualitätskriterien erfüllt werden, wie beispielsweise die a priori Festlegung des Analyseplans und die Konsistenz von Protokollen und Ergebnissen. Dieser Ansatz soll die Reproduzierbarkeit von Tierversuchen verbessern. In einem separaten Bereich unserer Arbeit entwickeln wir flexible, nichtlineare, bayesianische Modelle auf Basis eines genetisch modifizierten Markow-Chain-Monte-Carlo (MCMC)-Algorithmus, der für die Schätzung des posteriori Modells unverzichtbar ist.