Цифровая
биостатистика

Добро пожаловать

Добро пожаловать на сайт исследовательской группы Маркоса Матабуэны в Университете искусственного интеллекта имени Мохамеда бен Заида

Цифровое здравоохранение позволяет выявлять риски заболеваний за годы и даже десятилетия до появления клинических симптомов. Наша миссия — разрабатывать математические, статистические методы и методы искусственного интеллекта, необходимые для этого преобразования, используя непрерывную и высокочастотную информацию, получаемую с помощью современных медицинских устройств.

В конечном счёте мы стремимся перейти от лечения заболеваний к непрерывному улучшению здоровья отдельных людей и населения в реальном времени. Для этого мы разрабатываем научную концепцию под названием Цифровая биостатистика.

Что такое цифровая биостатистика?

Мы определяем цифровую биостатистику как раздел биостатистики, охватывающий планирование исследований, анализ, статистический вывод и клиническое применение непрерывно собираемых, высокочастотных, продольных и мультимодальных данных о здоровье, получаемых с помощью цифровых технологий. Его конечная цель — поддержка клинических и управленческих решений в здравоохранении путём объединения биостатистики и исследования операций.

Это видение сложилось благодаря опыту, наставничеству и сотрудничеству в Гарварде, Университете Джонса Хопкинса и Университете Северной Каролины в Чапел-Хилле, особенно в области цифрового фенотипирования, анализа функциональных данных, персонализированной медицины и продольных данных о здоровье.

Наши проекты направлены на создание строгих методологических основ цифровой биостатистики и демонстрацию их практической ценности для биомедицинских исследований, клинической практики и здоровья населения.

Наша основная исследовательская цель на ближайшие 10 лет — разработать экономичную систему организации медицинской помощи, которая улучшит здоровье отдельных людей и населения, объединяя биостатистику, цифровое здравоохранение и исследование операций.

Наше видение: основы ИИ в медицине

Искусственный интеллект в медицине пока находится на раннем этапе развития, и в реальной клинической практике продемонстрирована лишь небольшая часть его потенциала. С точки зрения статистического обучения многие современные приложения по-прежнему решают сравнительно простые и чётко определённые задачи прогнозирования. Однако следующее поколение медицинского ИИ должно будет отвечать на значительно более сложные и клинически важные вопросы: какой рацион оптимален для конкретного человека? Как следует менять стратегии лечения и профилактики со временем? Как объединить разнородную клиническую, биологическую, поведенческую и экологическую информацию в единую систему принятия решений?

Цифровая биостатистика может создать научную основу для решения этих задач. Мощные системы ИИ могут хорошо справляться с отдельными задачами прогнозирования, но одного прогноза недостаточно для реальной клинической практики и здравоохранения. Их результаты должны опираться на строгий статистический вывод, количественную оценку неопределённости, тщательное планирование экспериментальных и наблюдательных исследований, а также методы анализа непрерывных, продольных, высокочастотных и мультимодальных данных о здоровье. В конечном счёте эти компоненты необходимо объединить с исследованием операций, чтобы превращать прогнозы в надёжные клинические решения и более эффективную организацию медицинской помощи.

В ближайшие 10–15 лет развитие ИИ в сочетании с быстро растущими возможностями почти непрерывного измерения биологических систем в масштабе населения может преобразить биомедицинские исследования. Эти изменения способны открыть путь к новому поколению научных открытий, ускорить разработку персонализированной терапии и углубить наше понимание сложных заболеваний.

Мы ожидаем появления всё более подробных продольных метаболических и физиологических фенотипов, формируемых на основе носимых устройств, медицинских датчиков, медицинской визуализации, геномики, одноклеточных технологий, данных микробиома, электронных медицинских карт и других цифровых технологий. Главная задача будет состоять не просто в сборе или обработке большего количества данных, а в создании научно обоснованных подходов, позволяющих выявлять биологически значимые закономерности, отличать связь от причинности, оценивать неопределённость и поддерживать персонализированные решения, меняющиеся со временем в соответствии с потребностями каждого человека.

В этом контексте цифровую биостатистику не является второстепенной составляющей медицинского ИИ. Она обеспечивает научные и математические основы, необходимые для превращения всё более мощных систем ИИ в строгие, интерпретируемые и клинически полезные инструменты.

Главное

Наши исследования

Мы разрабатываем новаторские неевклидовы статистические методы для создания нового поколения цифровых биомаркеров. В наших работах было введено понятие глюкоплотности (glucodensity), комплексного распределительного биомаркера для представления цифровых данных о здоровье, собираемых в повседневной жизни. Мы также разрабатываем современные методы машинного обучения и статистического ИИ, а также новые подходы к количественной оценке неопределённости для сложных многомерных данных. Эти инструменты позволяют полнее использовать богатую, детальную и продольную информацию, которую дают цифровые технологии здравоохранения.

Наши публикации

Направления исследований

Семь основ развития исследований в цифровом здравоохранении

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

‹ ›

Наши проекты

Наши текущие проекты посвящены разработке нового поколения методов статистического ИИ, способных превращать огромные объёмы информации с цифровых устройств в клинически значимые знания. На примере реальных медицинских задач мы стремимся показать, как эти методы могут обеспечить ощутимый прогресс в клинических исследованиях и практике.

Посмотреть проекты

Наша команда

Междисциплинарная команда, работающая на пересечении статистики, искусственного интеллекта и биомедицинских исследований при поддержке международной сети ведущих научных партнёров.

Познакомиться с нашей командой

Присоединиться к команде

Мы создаём междисциплинарную исследовательскую программу на пересечении биостатистики, эпидемиологии, искусственного интеллекта, цифрового здравоохранения и медицины. Мы приглашаем целеустремлённых студентов и коллег, заинтересованных в разработке строгих методов для решения значимых биомедицинских задач.

Мы убеждены, что важные научные задачи требуют строгости, воображения, настойчивости и открытого сотрудничества.