Im Projekt Stroke DynamiX entwickeln Wissenschaftler:innen datengetriebene Methoden zur Modellierung und Vorhersage von Schlaganfallverläufen mithilfe maschineller Lernverfahren.
Aktuell sind zwei wissenschaftliche Publikationen aus dem Projekt erschienen: In Computers in Biology and Medicine wird ein Ansatz zu mixed-effects additive Bayesian networks vorgestellt, der multizentrische klinische Daten strukturiert analysiert und dabei zentrumsübergreifende Heterogenität explizit berücksichtigt. Ein weiterer Beitrag in Mathematics liefert die theoretischen Grundlagen für additive Bayesian-Netzwerke im mathematischen Kontext.
Diese Publikationen zeigen, wie statistisch-lernende Verfahren dynamische, patientennahe Modelle in der Schlaganfallforschung ermöglichen.
Delucchi, A., et al. (2026). Mixed-effects additive Bayesian networks for the assessment of ruptured intracranial aneurysms: Insights from multicenter data. Computers in Biology and Medicine, 201, 111380. DOI: 10.1016/j.compbiomed.2025.111380
Champion, T., Delucchi, A., & Furrer, R. (2025). All for one or one for all? A comparative study of grouped data in mixed-effects additive Bayesian networks. Mathematics, 13(22), 3649. DOI: 10.3390/math13223649