Bioestatística
Dixital

Benvida

Benvidos á web do grupo de investigación de Marcos Matabuena na Universidade Mohamed bin Zayed de Intelixencia Artificial

A saúde dixital permite identificar riscos de enfermidade anos, e mesmo décadas, antes de que aparezan síntomas clínicos. A nosa misión é desenvolver os métodos matemáticos, estatísticos e de intelixencia artificial necesarios para facer posible esta transformación, utilizando información continua e de alta frecuencia recollida mediante dispositivos médicos modernos.

O noso obxectivo final é ir máis alá do tratamento da enfermidade e avanzar cara á mellora continua e en tempo real da saúde individual e poboacional. Para apoiar esta transición, estamos a desenvolver un marco científico que denominamos Bioestatística dixital.

Que é a bioestatística dixital?

Definimos a bioestatística dixital como a rama da bioestatística dedicada ao deseño, á análise, á inferencia estatística e á aplicación clínica de datos de saúde continuos, de alta frecuencia, lonxitudinais e multimodais xerados por tecnoloxías dixitais. O seu obxectivo último é apoiar as decisións clínicas e sanitarias mediante a integración da bioestatística e a investigación operativa.

Esta visión forxouse a través de experiencias formativas, mentorías e colaboracións en Harvard, Johns Hopkins e a Universidade de Carolina do Norte en Chapel Hill, especialmente en fenotipado dixital, análise de datos funcionais, medicina personalizada e datos lonxitudinais de saúde.

Os nosos proxectos buscan establecer bases metodolóxicas rigorosas para a bioestatística dixital e demostrar a súa utilidade na investigación biomédica, na práctica clínica e na saúde poboacional.

Durante os próximos 10 anos, o noso obxectivo último de investigación é desenvolver un marco de xestión sanitaria de baixo custo que mellore os resultados de saúde individuais e poboacionais mediante a integración da bioestatística, a saúde dixital e a investigación operativa.

A nosa visión: os fundamentos da IA en medicina

A intelixencia artificial en medicina atópase aínda nunha fase temperá e só unha pequena parte do seu potencial se demostrou na práctica clínica real. Desde a perspectiva da aprendizaxe estatística, moitas aplicacións actuais seguen abordando tarefas de predición relativamente sinxelas e ben delimitadas. Porén, a próxima xeración de IA médica deberá responder a preguntas moito máis complexas e de maior transcendencia clínica: cal é a dieta óptima para unha persoa concreta? Como deben evolucionar co tempo as estratexias de tratamento e prevención? Como se pode integrar información clínica, biolóxica, condutual e ambiental heteroxénea nun marco unificado de toma de decisións?

A bioestatística dixital pode achegar a base científica necesaria para afrontar estes desafíos. Os sistemas de IA avanzados poden render ben en tarefas de predición concretas, pero predicir non abonda nos contextos clínicos e sanitarios reais. Os seus resultados deben apoiarse nunha inferencia estatística rigorosa, na cuantificación da incerteza, nun deseño coidadoso de estudos experimentais e observacionais e en métodos capaces de analizar datos continuos, lonxitudinais, de alta frecuencia e multimodais. Estes compoñentes deben integrarse coa investigación operativa para transformar as predicións en decisións clínicas fiables e nunha xestión sanitaria máis eficaz.

Nos próximos 10 a 15 anos, os avances en IA e a nosa crecente capacidade para medir sistemas biolóxicos de forma case continua e a escala poboacional poderían transformar a investigación biomédica. Estes avances poderían impulsar novos descubrimentos científicos, acelerar o desenvolvemento de terapias personalizadas e afondar na comprensión de enfermidades complexas.

Prevemos a aparición de fenotipos metabólicos e fisiolóxicos lonxitudinais cada vez máis detallados a partir de dispositivos portátiles, sensores médicos, imaxe médica, xenómica, tecnoloxías unicelulares, datos do microbioma, historias clínicas electrónicas e outras tecnoloxías dixitais. O reto central non será simplemente recoller ou procesar máis datos, senón desenvolver marcos cientificamente válidos capaces de identificar patróns con significado biolóxico, distinguir asociación de causalidade, cuantificar a incerteza e apoiar decisións personalizadas que se adapten a cada individuo co tempo.

Neste contexto, a bioestatística dixital non é un compoñente secundario da IA médica: achega os fundamentos científicos e matemáticos necesarios para transformar sistemas de IA cada vez máis potentes en ferramentas rigorosas, interpretables e clinicamente útiles.

Destacados

A nosa investigación

Somos pioneiros no desenvolvemento de métodos estatísticos non euclidianos para definir unha nova xeración de biomarcadores dixitais. O noso traballo introduciu o concepto de glucodensidade, un biomarcador distribucional integral deseñado para representar datos de saúde dixital recollidos na vida cotiá. Tamén desenvolvemos métodos modernos de aprendizaxe automática e IA estatística, xunto con novos enfoques para cuantificar a incerteza en datos complexos e de alta dimensión. Estas ferramentas permiten aproveitar mellor a información abundante, densa e lonxitudinal xerada polas tecnoloxías de saúde dixital.

Consulta as nosas publicacións

As nosas áreas de investigación

Sete piares para avanzar na investigación en saúde dixital

Glucodensities: A new representation of glucose profiles using distributional data analysis

Marcos Matabuena, Alexander Petersen, Juan C Vidal, Francisco Gude

Glucodensity functional profiles outperform traditional continuous glucose monitoring metrics

Marcos Matabuena, Rahul Ghosal, Javier Enrique Aguilar, Ayya Keshet, Robert Wagner, Carmen Fernandez Merino, Juan Sanchez Castro, Vadim Zipunnikov, J-P Onnela, Francisco Gude

Multilevel functional distributional models with applications to continuous glucose monitoring in diabetes clinical trials

Marcos Matabuena, Ciprian M. Crainiceanu

Conformal and kNN Predictive Uncertainty Quantification Algorithms in Metric Spaces

Gabor Lugosi, Marcos Matabuena

Denoising Data with Measurement Error Using a Reproducing Kernel-based Diffusion Model

Mingyang Yi, Marcos Matabuena, Zhi-Ming Ma, Ruoyu Wang

Distributional Random Forests for Complex Survey Designs on Reproducing Kernel Hilbert Spaces

Yating Zou, Marcos Matabuena, and Michael R. Kosorok

Random-Effects Algorithm for Random Objects in Metric Spaces

Marcos Matabuena, Mateo Camara

‹ ›

Os nosos proxectos

Os nosos proxectos actuais céntranse en desenvolver unha nova xeración de métodos de IA estatística capaces de transformar os grandes volumes de información recollidos por dispositivos dixitais en coñecemento clinicamente relevante. A través de problemas médicos reais, buscamos demostrar como estes métodos poden xerar avances tanxibles na investigación e na práctica clínica.

Explora os nosos proxectos

O noso equipo

Un equipo interdisciplinar que traballa na intersección da estatística, a intelixencia artificial e a investigación biomédica, cunha rede internacional de colaboradores de referencia.

Coñece o noso equipo

Únete ao equipo

Estamos a construír un programa de investigación interdisciplinar na intersección da bioestatística, a epidemioloxía, a intelixencia artificial, a saúde dixital e a medicina. Damos a benvida a estudantes e colaboradores con ambición científica que queiran desenvolver métodos rigorosos para abordar preguntas biomédicas de gran relevancia.

Cremos que os problemas científicos importantes requiren rigor, imaxinación, perseveranza e unha colaboración xenerosa.