Zentrum für Medical Data Science | MedUni Wien (original) (raw)
Forschung
Studium-, Aus- und Weiterbildung
Barata C., Rotemberg V., Codella N.C.F., Tschandl P., Rinner C., Akay B.N., Apalla Z., Argenziano G., Halpern A., Lallas A., Longo C., Malvehy J., Puig S., Rosendahl C., Soyer H.P., Zalaudek I., Kittler H.
A Reinforcement Learning Model for AI-Based Decision Support in Skin Cancer
We investigated whether human preferences hold the potential to improve diagnostic artificial intelligence (AI)-based decision support using skin cancer diagnosis as a use case. We utilized nonuniform rewards and penalties based on expert-generated tables, balancing the benefits and harms of various diagnostic errors, which were applied using reinforcement learning.
Stamm T.A., Partheymüller J., Mosor E., Ritschl V., Kritzinger S., Alunno A., Eberl J.-M.
Determinants of COVID-19 Vaccine Fatigue
There is growing concern that Coronavirus Disease 2019 (COVID-19) vaccine fatigue will be a major obstacle in maintaining immunity in the general population. In this study, Tanja Stamm et al. assessed vaccine acceptance in future scenarios in two conjoint experiments, investigating determinants such as new vaccines, communication, costs/incentives and legal rules.
GINGER: Webinterface zur Stichprobenplanung bei Tierversuchen
Am Institut für Klinische Biometrie wurde ein neues Web-basiertes Tool zur Planung von Tierversuchen entwickelt. Im Gegensatz zu herkömmlicher Software zur Planung von Versuchen ist GINGER auf Versuchsdesigns mit mehreren Gruppen spezialisiert und berücksichtigt entsprechend Powergewinne durch Anwendung der ANOVA in der Auswertung sowie Multiplizitätskorrekturen nach Tukey, Dunnett oder Bonferroni. GINGER bietet auch Anleitungen und Beispiele an und beruht auf der statistischen Software R-shiny.
Entwurf und Analyse von Versuchen mit Plattformen und nicht-gleichzeitigen Kontrollen
Mit dieser am Institut für Medizinische Statistik entwickelten Software werden Funktionen zur Datenerzeugung, Analyse, Visualisierung und Durchführung von Simulationsstudien bereitgestellt. Die implementierten Analysemethoden sind beschrieben in:
Bofill Roig M., Krotka P., Burman C.-F., Glimm E., Gold S.M., Hees K., Jacko P., Koenig F., Magirr D., Mesenbrink P., Viele K., Posch M. (2022) On Model-Based Time Trend Adjustments in Platform Trials with Non-Concurrent Controls. BMC Medical Research Methodology 22:228.
Saville B.R., Berry D.A., Berry N.S., Viele K., Berry S.M. (2022) The Bayesian Time Machine: Accounting for temporal drift in multi-arm platform trials. Clinical Trials 19(5), 490–501.
Schmidli, H., Gsteiger S., Roychoudhury S., O’Hagan A., Spiegelhalter D., Neuenschwander B. (2014) Robust meta-analytic-predictive priors in clinical trials with historical control information. Biometrics 70(4), 1023–1032.
LOLA: Locus Overlap Analysis for Enrichment of Genomic Ranges
LOLA implements easy-to-use (but also fully scriptable) enrichment analysis for genomic region sets, thus facilitating the interpretation of functional genomics and epigenomics data. Usage statistics: ~10,000 users (unique IP downloads from Bioconductor) since 2015.
Sheffield NC, Bock C (2016). “LOLA: Enrichment analysis for genomic region sets and regulatory elements in R and Bioconductor.” Bioinformatics. R package version 1.32.0, http://code.databio.org/LOLA.