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的分析方法的深入理解，我们在患者护理和临床操作中开发了高性能和相关的预测模型。如果我们能准确预测每个患者的结果，我们就能在诊断、成像和干预方面真正有选择性地为那些真正需要它们的人提供帮助。基于RIVUR试验数据，我们领导了一个来自HMS和麻省理工学院(Dimitris Bertsimas教授，运营研究中心)的合作团队，开发了预测重要临床结果的高性能模型，需要对初始尿路感染(UTI)和膀胱输尿管反流(VUR)儿童进行侵入性诊断和治疗。对于VUR和复发性UTI的高危患者，将积极地采用VCUG治疗，而对低风险患者进行观察。通过根据真正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，同时避免不必要干预的不良影响和成本。
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疾病患者进行泌尿和神经干预之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。通过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努力，完成了UDS数据管道，初步分析显示，使用先进算法为未来的解释提供一致和客观的UDS模式识别有很大的希望。
医疗保健领域的业务分析和运营
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。通过利用在日常操作中积累的数据，可以将策略制定到工作流中，以提高效率。我们已经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。革新医院的操作方式大有希望。