Biostatystyka
cyfrowa

Witamy

Witamy na stronie zespołu badawczego Marcosa Matabueny na Uniwersytecie Sztucznej Inteligencji im. Mohameda bin Zayeda

Zdrowie cyfrowe pozwala rozpoznawać ryzyko chorób na lata, a nawet dekady przed pojawieniem się objawów klinicznych. Naszą misją jest opracowywanie metod matematycznych, statystycznych i metod sztucznej inteligencji, które umożliwią tę przemianę, z wykorzystaniem informacji zbieranych w czasie ciągłym i z dużą częstotliwością przez nowoczesne urządzenia medyczne.

Naszym ostatecznym celem jest wyjście poza leczenie chorób ku ciągłej optymalizacji zdrowia jednostek i populacji w czasie rzeczywistym. Aby wesprzeć tę zmianę, tworzymy ramy naukowe, którym nadajemy nazwę Biostatystyka cyfrowa.

Czym jest biostatystyka cyfrowa?

Definiujemy biostatystykę cyfrową jako dziedzinę biostatystyki zajmującą się projektowaniem badań, analizą, wnioskowaniem statystycznym i klinicznym wykorzystaniem zbieranych w sposób ciągły, wysokoczęstotliwościowych, podłużnych i wielomodalnych danych o zdrowiu pochodzących z technologii cyfrowych. Jej nadrzędnym celem jest wspieranie decyzji klinicznych i organizacyjnych w ochronie zdrowia poprzez połączenie biostatystyki z badaniami operacyjnymi.

Wizja ta ukształtowała się dzięki ważnym doświadczeniom, wsparciu mentorów i współpracy na Harvardzie, Uniwersytecie Johnsa Hopkinsa oraz Uniwersytecie Karoliny Północnej w Chapel Hill, zwłaszcza w obszarach fenotypowania cyfrowego, analizy danych funkcjonalnych, medycyny spersonalizowanej i podłużnych danych o zdrowiu.

Nasze projekty mają stworzyć rygorystyczne podstawy metodologiczne biostatystyki cyfrowej oraz wykazać ich praktyczną wartość w badaniach biomedycznych, praktyce klinicznej i ochronie zdrowia populacji.

Naszym nadrzędnym celem badawczym na najbliższe 10 lat jest opracowanie niskokosztowych ram organizacji opieki zdrowotnej, które poprawią wyniki zdrowotne jednostek i populacji poprzez integrację biostatystyki, zdrowia cyfrowego i badań operacyjnych.

Nasza wizja: fundamenty AI w medycynie

Sztuczna inteligencja w medycynie pozostaje na wczesnym etapie rozwoju, a rzeczywista praktyka kliniczna ujawniła dotąd jedynie niewielką część jej potencjału. Z perspektywy uczenia statystycznego wiele obecnych zastosowań nadal dotyczy stosunkowo prostych i jasno określonych zadań predykcyjnych. Kolejna generacja medycznej AI będzie jednak musiała mierzyć się ze znacznie bardziej złożonymi i klinicznie istotnymi pytaniami: jaka dieta jest optymalna dla konkretnej osoby? Jak powinny zmieniać się w czasie strategie leczenia i profilaktyki? Jak połączyć niejednorodne informacje kliniczne, biologiczne, behawioralne i środowiskowe w spójne ramy podejmowania decyzji?

Biostatystyka cyfrowa może zapewnić podstawy naukowe potrzebne do sprostania tym wyzwaniom. Zaawansowane systemy AI mogą dobrze wykonywać określone zadania predykcyjne, lecz samo przewidywanie nie wystarcza w rzeczywistych warunkach klinicznych i organizacyjnych. Ich wyniki muszą być wsparte rygorystycznym wnioskowaniem statystycznym, kwantyfikacją niepewności, starannym projektowaniem badań eksperymentalnych i obserwacyjnych oraz metodami analizy ciągłych, podłużnych, wysokoczęstotliwościowych i wielomodalnych danych o zdrowiu. Elementy te należy ostatecznie połączyć z badaniami operacyjnymi, aby przekładać prognozy na wiarygodne decyzje kliniczne i sprawniejsze funkcjonowanie ochrony zdrowia.

W ciągu najbliższych 10–15 lat postępy AI, wraz z szybko rosnącą zdolnością do niemal ciągłego pomiaru układów biologicznych w skali populacji, mogą odmienić badania biomedyczne. Zmiany te mogą zapoczątkować nową generację odkryć naukowych, przyspieszyć rozwój spersonalizowanych terapii i pogłębić zrozumienie złożonych chorób.

Oczekujemy coraz bardziej szczegółowych podłużnych fenotypów metabolicznych i fizjologicznych, opartych na urządzeniach ubieralnych, czujnikach medycznych, obrazowaniu, genomice, technologiach pojedynczych komórek, danych o mikrobiomie, elektronicznej dokumentacji medycznej i innych technologiach cyfrowych. Kluczowym wyzwaniem nie będzie jedynie zbieranie czy przetwarzanie większej ilości danych. Będzie nim tworzenie naukowo uzasadnionych ram umożliwiających identyfikację wzorców o znaczeniu biologicznym, odróżnianie związku od przyczynowości, kwantyfikację niepewności i wspieranie spersonalizowanych decyzji dostosowujących się z czasem do każdej osoby.

W tym kontekście biostatystykę cyfrową nie jest drugorzędnym elementem medycznej AI. Dostarcza podstaw naukowych i matematycznych potrzebnych do przekształcania coraz potężniejszych systemów AI w rygorystyczne, interpretowalne i klinicznie użyteczne narzędzia.

Najważniejsze osiągnięcia

Nasze badania

Jesteśmy pionierami nieeuklidesowych metod statystycznych służących definiowaniu nowej generacji biomarkerów cyfrowych. W naszych pracach wprowadziliśmy pojęcie glucodensity, kompleksowego biomarkera opartego na rozkładzie, służącego do reprezentacji cyfrowych danych o zdrowiu zbieranych w codziennych warunkach życia. Rozwijamy również nowoczesne metody uczenia maszynowego i statystycznej AI oraz nowe podejścia do kwantyfikacji niepewności dla złożonych danych wysokowymiarowych. Narzędzia te pozwalają pełniej wykorzystać bogate, gęste i podłużne informacje dostarczane przez cyfrowe technologie zdrowotne.

Zobacz nasze publikacje

Obszary naszych badań

Siedem filarów rozwoju badań nad zdrowiem cyfrowym

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

‹ ›

Nasze projekty

Nasze obecne projekty koncentrują się na opracowaniu nowej generacji metod statystycznej AI, zdolnych przekształcać ogromne ilości informacji zbieranych przez urządzenia cyfrowe w wiedzę o znaczeniu klinicznym. Na przykładzie rzeczywistych problemów medycznych chcemy pokazać, jak metody te mogą przynosić wymierne postępy w badaniach i praktyce klinicznej.

Przeglądaj nasze projekty

Nasz zespół

Interdyscyplinarny zespół pracujący na styku statystyki, sztucznej inteligencji i badań biomedycznych, współpracujący z międzynarodową siecią czołowych badaczy.

Poznaj nasz zespół

Dołącz do zespołu

Tworzymy interdyscyplinarny program badawczy na styku biostatystyki, epidemiologii, sztucznej inteligencji, zdrowia cyfrowego i medycyny. Zapraszamy ambitnych studentów i współpracowników zainteresowanych rozwijaniem rygorystycznych metod odpowiadających na istotne pytania biomedyczne.

Wierzymy, że ważne problemy naukowe wymagają rygoru, wyobraźni, wytrwałości i otwartej współpracy.