Kurzbeschreibung
Das Projekt Dynamics Analysis diente als Analyse und Bereitstellung von Grundlagen für die anderen fünf Forschungsprojekte. Genauso wie bei Projekt 2 ‚Dynamics and Analysis‘ besteht der Outcome, im Gegensatz zu den anderen Projekten, nicht aus fertigen anwendbaren Produkten, sondern aus theoretischen Methoden, die zusätzlich zu ihrem Nutzen in allen anderen Forschungs- und Anwendungsprojekten von hohem wissenschaftlichem Wert sind. Auf Grund dieser Tatsache war das Projekt thematisch sehr breit und ging an vielen Stellen der mathematischen, statistischen und medizinischen Grundlagenforschung stark in die Tiefe, um mit dem aktuellen Stand der Forschung zu arbeiten.
Projektoutcome
Dynamics Analysis beantwortete folgende Fragestellungen:
Wie erkennt man aus gegebenen Daten, ob zwischen korrelierten, d.h. statistisch voneinander abhängigen, Datensätzen auch tatsächlich eine kausale Verbindung besteht?
Wohl bekannt bewirkt ein „Anstieg der Fuchspopulation“ kausal genauso einen „Rückgang der Feldhasenpopulation“ wie einen „Rückgang der Fasanpopulation“. Jedoch bewirkt weder der „Rückgang der Hasenpopulation“ den „Rückgang der Fasanpopulation“ noch umgekehrt. Es besteht also kein kausaler Zusammenhang, auch wenn dieser in durch stark korrelierte Daten vorgegaukelt wird. Vor allem beim Zusammenspiel unterschiedlicher Krankheiten ist es aber entscheidend datenbasierte Aussagen zu treffen, ob eine die andere verursacht oder nicht. Um diese Fragestellungen zu behandeln wurden Methoden der Kausalanalyse aus Harvard angewandt.
Wie wird Gesundheit gemessen und bewertet?
Um Entscheidungen und Bewertungen über Behandlungen treffen zu können müssen viele unterschiedliche, oft auch widersprüchliche, Faktoren berücksichtigt werden. Nun reicht es schon lange nicht mehr aus eine Behandlung einer anderen vorzuziehen, weil sie das Leben eines Patienten verlängert, sondern muss z.B. auch berücksichtigen, welche Qualität das Leben des Patienten nach der Behandlung hat. Wie wird dies fair gemessen, wenn man Entscheidungen treffen muss? Um diese Fragestellungen zu behandeln wurden unterschiedliche Bewertungskonzepte (QUALY, PYLL,…) ausgiebig gegeneinander getestet und auf Plausibilität überprüft.
Welches Modell wird für welches Problem verwendet?
Unterstützt von der kontinuierlichen Performance-Steigerung von Computern wurden innerhalb der letzten Jahrzehnte unzählige mathematische und informatische Zugänge entwickelt, wie man ein reales System möglichst valide als Computermodell beschreiben und simulieren kann. Nun gibt es für ein System nicht unbedingt einen richtigen Zugang, sondern zumeist viele. Doch welcher ist für welchen Anwendungsbereich der beste? Muss man unbedingt den aufwändigeren, feineren wählen, wo man doch nur an groben Resultaten interessiert ist? Um diese Fragestellungen zu beantworten, wurden, unter anderem, Methoden aus der Molekularefeldtheorie (Mean-Field Theory) verwendet um mikroskopische „feine“ und makroskopische „grobe“ Modellen zu vergleichen.
Wie können möglichst viele Krankheiten und Szenarien flexibel in einem Modell abgebildet werden?
Der Weg von einer Idee zu einem validen Modell ist meist sehr lang und steinig. Nun wäre es sinnvoll, wenn man das bereits valide Modell für „Influenza“ mit möglichst wenig Modifikationsaufwand auch auf „Masern“ anwenden kann. Wie konzeptioniert/implementiert man so etwas richtig? Unter welchen Randbedingungen ist das überhaupt möglich? Um diese Fragestellungen zu beantworten, wurden stark modulare Modellaufbaukonzepte getestet und unterschiedliche Krankheits-Infektionstypen klassifiziert.
Ergebnisse
Die Resultate dieses Projektes sind vorwiegend rein wissenschaftlicher Natur. Neben einer Vielzahl an bereits publizierten Artikeln auf wissenschaftlichen Konferenzen und Journalen entstanden so auch Bachelor-, Diplom- und Doktorarbeiten in diesem Projekt (siehe Publikationen).