Der menschliche Körper sendet ständig Informationen über seinen Gesundheits- oder Krankheitszustand aus, auch wenn keine Symptome auftreten. Wir müssen nur lernen, lange genug zuzuhören. Denn sowohl physiologische als auch pathophysiologische Prozesse sind sehr dynamisch und ihre Merkmale spiegeln sich in den Eigenschaften des zeitabhängigen Verhaltens messbarer physiologischer Parameter oder Biomarker wider, beispielsweise der Herzfrequenz. Vorhersagbarkeit, Zufälligkeit sowie Amplitude und Häufigkeit von Schwankungen gehören zu den Eigenschaften des zeitabhängigen Verhaltens solcher Biomarker. Dies ist unser Forschungsfeld.

Bei vielen der heutigen Diagnose- und Behandlungsansätze bleiben die meisten dieser Informationen unbemerkt, weil wir nicht über die Instrumente und Fähigkeiten verfügen, sie zu sammeln und zu interpretieren. Krankenhäuser und Forscher erzeugen jedoch jeden Tag riesige Datenmengen. Wenn wir lernen könnten, diese Daten zu bündeln, zu interpretieren und zu klassifizieren, dann könnten wir unser Verständnis von einer grossen Zahl von Krankheiten enorm verbessern. Unser Ziel ist es daher, mathematische, computergestützte und statistische Methoden einschließlich des maschinellen Lernens zu entwickeln und miteinander zu kombinieren und für die Analyse pathophysiologischer Messungen anzuwenden, wobei insbesondere Atem- und Herzfunktion für uns im Vordergrund stehen. Wir sind davon überzeugt, dass eine bessere Interpretation und Klassifizierung der Daten zu genaueren Diagnosen und besser auf die Patientin und den Patienten zugeschnittenen Behandlungsstrategien führen wird.