研究项目|概述
使用新型机器学习算法的个性化医疗
随着对机器学习等新分析方法的深入理解，我们已经开发了在患者护理和临床操作中高性能和相关的预测模型。如果我们能够准确地预测个别患者的预后，那么我们就可以在诊断、成像和干预方面真正有选择性地为那些真正需要的人提供帮助。基于RIVUR试验数据，我们领导了一个来自HMS和麻省理工学院的合作团队(Dimitris Bertsimas教授，运营研究中心)开发了一个高性能的模型，预测了儿童初始尿路感染(UTI)和膀胱输尿管返流(VUR)的侵袭性诊断和治疗的重要临床结果。对于VUR和UTI复发风险高的患者，采用VCUG进行积极治疗，而对低风险患者进行观察。通过根据真实的临床风险分配管理，我们可以在人群水平上获得最佳结果，同时避免不必要的干预带来的不良影响和成本。
下一代尿动力学研究:深入研究信号处理和建模以改善膀胱功能
CHAP的另一个重点是使用新的尿动力学分析方法(UDS)，这是在对脊柱裂等复杂情况的患者进行泌尿和神经系统干预前评估膀胱和尿括约肌功能的金标准模式。不幸的是，一致的解释是难以捉摸的，专家之间几乎没有共识。利用信号处理和数学建模，可以对UDS结果进行计算机化和标准解释。为此，我们领导了应用数学家和临床医生之间的合作，完成了UDS数据管道，初步分析显示，使用先进的算法为未来的解释提供一致和客观的UDS模式识别具有很大的潜力。
医疗保健行业的业务分析和运营
最大化临床医生工作流程的效率对医生的满意度和医院和实践的繁荣至关重要。通过利用日常操作中积累的数据，可以将策略制定到工作流程中，提高效率。我们将注意力集中在手术室调度优化和临床时间预测上，并取得了显著的初步结果。彻底改变医院的运作方式是大有希望的。