Bei der Plattform Medical Systems geht es vor allem um die Aspekte der Integration technischer Systeme oder genereller um Systembetrachtung aus einer technik- und methodenorientierten Sicht. Systemmedizin bedeutet, Wechselwirkungen zu erkennen und zu verstehen – im engeren Sinn systembiologisch motiviert im Zusammenhang mit Krankheit und Therapie bei Patient:innen, im weiteren Sinn beim Zusammenspiel von Patient:in, Therapeut:in, Technologie, Spital oder Gesundheitssystem. Wir verwenden und entwickeln dafür technische, mathematische oder physikalische Konzepte und Methoden. Die Aufgabe der Plattform liegt in der Förderung des Zusammenführens dieser Technologien in medizinische Systeme (Systemintegration im weiteren Sinn, das heisst auch Umsetzungskonzepte für die Klinik). Insbesondere soll aber der Fokus auf dem Brückenschlag zwischen Medizintechnik und Systemmedizin liegen. Aktuelle Forschungsergebnisse fliessen in Weiterbildungsangebote und die Ausbildung der Studierenden ein.

In der Diagnostik und Therapie kommen zunehmend komplexe Verfahren zur Anwendung. Neue technische Möglichkeiten im Bereich Bildgebung oder Sensorik ermöglichen den Zugang zu umfangreichen medizinischen Daten, deren sinnvolle Interpretation zum Teil modellgestützte Analysen erfordert. Dabei müssen auf mehreren Ebenen komplexe, dynamische Systeme betrachtet werden: 

• die Patient:innen (und ihre Organe, Gewebe, Zellen) als komplexes biologisches System
• die technischen Systeme, welche mit den Patient:innen oder dem klinischen Personal interagieren (Bildgebungs- bzw. Befundungs- und Dokumentationssysteme mit den Ärzt:innen; elektronische Implantate; Lebenserhaltungssysteme in der Intensivmedizin; human-machine-interaction in personalisierten Therapieformen in Physio- und Ergotherapie)
• Interaktion mit Daten, zum Beispiel datenbankgestützte Assistenzsysteme für die Erstdiagnose in der Hausarztmedizin (mit speziellem Fokus auf dynamischen Daten)
• die Klinik mit den ineinandergreifenden Prozessen (zum Beispiel Rahmenbedingungen im Patient:innen-Workflow durch technische Möglichkeiten) oder das Gesundheitssystem 

Technische Innovationen und Möglichkeiten werden in zunehmendem Masse im Kontext der klinischen Umsetzung und der dynamischen Einbindung in die diagnostischen und therapeutischen Prozesse betrachtet. Die Einführung neuer diagnostischer oder therapeutischer Verfahren oder Techniken bedingt häufig auch ein Qualitätssicherungsprogramm mit technischen Hilfsmitteln, Anpassungen im Workflow und Datentransfer sowie klinisch-medizinische Evaluation. Laufende Projekte an der ZHAW School of Engineering gehen bereits stark in diese Richtung. Die umfangreichen Kompetenzen im Bereich Medizintechnik, Sensorik, modellgestützte Datenanalyse, Modellierung, Künstliche Intelligenz (Deep Learning, Explainable und Responsible AI, etc), Computersimulation und medizinische Bildgebung an der ZHAW bilden eine wichtige Grundlage für transdisziplinäre Forschung. 

• Orthopädische Biomechanik, Ergonomie, Rehabilitation: Daniel Baumgartner, IMES
• Medizinische Robotik & Instrumente: Hans Werner van de Venn, IMS
• Bio Fluid Dynamics, Magnet Resonance Imaging: Dirk Wilhelm

• Autarke Sensoren / Aktuatoren, Embedded Systems: Juan-Mario Gruber, InES
• Soft Robotics, Morphological Computing: Lukas Lichtensteiger, IAMP

• Medical Devices, Medical Thermal Imaging: Mathias Bonmarin, ICP
• Computer Vision, Bildverarbeitung: Martin Loeser, IEM
• Medical imaging, Computer Vision, Pattern Recognition, Deep Learning, KI: Frank Schilling, CAI
• Biosignal-Verarbeitung, Wireless Datenkommunikation: Olaf Hoenecke, ISC
• Signal- und Bildverarbeitung, Systemidentifikation, Sensoren: Federico Wadehn, ISC

• eHealth, mHealth, Informationsvisualiserung: Philipp Ackermann, InIT
• Software Engineering, Data & Text Analysis, Machine Learning: Mark Cieliebak, CAI
• Big Data & Data Warehousing: Kurt Stockinger, InIT
• Formale Methoden Wissensrepräsentation: Dandolo Flumini, IAMP

• Numerische und physikalische Strahlungsdosimetrie: Patrik Eschle, IAMP
• Medizinische Biophysik, Systemwissenschaften in der Medizin: Stephan Scheidegger, IEM
• Modelgestützte Datenanalyse: Mathias Weyland, IAMP
• Complex Systems, Evolutionary Optimisation Methods: Ruedi Füchslin, IAMP

• Machine Learning, Deep Learning, Explainable AI: Jasmina Bogojeska, CAI
• Pattern Recognition, Deep Learning, AI: Thilo Stadelmann, CAI
• Neurotechnologies, Brain-Computer Interfacing, Reinforcement Learning: Ricardo Chavarriaga, CAI

• Institut für angewandte Informationstechnologie (InIT)
• Institut für Angewandte Mathematik und Physik (IAMP)
• Institut für Datenanalyse und Prozessdesign (IDP)
• Institut für Mechanische Systeme (IMES)
• Institut für Mechatronische Systeme (IMS)
• Institute for Signal Processing and Wireless Communications (ISC)
• Institute of Embedded Systems (InES)
• Institute of Computational Physics (ICP)
• Centre for Artificial Intelligence (CAI)
• Zentrum für Aviatik (ZAV)