数字
生物统计学

欢迎

欢迎访问穆罕默德·本·扎耶德人工智能大学 Marcos Matabuena 研究组网站

数字健康有望在临床症状出现前数年、甚至数十年识别疾病风险。我们的使命是利用现代医疗设备采集的连续时间与高频信息，开发实现这一转变所需的数学、统计和人工智能方法。

我们的最终目标是超越疾病治疗，实现个体与人群健康的持续、实时优化。为支持这一转变，我们正在构建一个科学框架，称为 数字生物统计学.

什么是数字生物统计学？

我们将 数字生物统计学 定义为生物统计学的一个分支，研究数字技术持续产生的高频、纵向、多模态健康数据，涵盖研究设计、数据分析、统计推断与临床转化。其最终目标是将生物统计学与运筹学相结合，为临床和医疗卫生决策提供支持。

这一愿景源于我们在哈佛大学、约翰斯·霍普金斯大学和北卡罗来纳大学教堂山分校的学习经历、导师指导与合作，尤其是在数字表型分析、函数型数据分析、个体化医疗和纵向健康数据领域的积累。

我们的项目旨在为数字生物统计学奠定严谨的方法学基础，并验证其在生物医学研究、临床实践和人群健康中的实际价值。

在未来十年，我们的最终研究目标是整合生物统计学、数字健康与运筹学，开发低成本的医疗卫生运营框架，改善个体和人群层面的健康结局。

我们的愿景：医学人工智能的基础

医学人工智能仍处于发展初期，其潜力中只有一小部分已在真实临床实践中得到验证。从统计学习的角度看，许多现有应用仍在解决相对简单、定义明确的预测任务。然而，下一代医学人工智能需要面对更为复杂、临床意义更深远的问题：对某个具体的人而言，最优饮食是什么？治疗和预防策略应如何随时间调整？如何将异质的临床、生物、行为和环境信息整合进统一的决策框架？

数字生物统计学 能够为应对这些挑战提供科学基础。强大的人工智能系统可能在特定预测任务上表现出色，但仅有预测并不足以满足真实临床和医疗卫生场景的需求。其输出必须得到严谨的统计推断、不确定性量化、周密的实验与观察性研究设计，以及能够分析连续、纵向、高频、多模态健康数据的方法的支撑。这些要素还须与运筹学结合，才能将预测转化为可靠的临床决策和更高效的医疗卫生运营。

在未来十至十五年，人工智能的进步，加上我们在人群尺度上近乎连续地测量生物系统的能力迅速提升，可能改变生物医学研究。这些发展有望催生新一代科学发现，加快个体化治疗的开发，并加深我们对复杂疾病的理解。

我们预计，可穿戴设备、医疗传感器、医学影像、基因组学、单细胞技术、微生物组数据、电子健康记录及其他数字技术将生成日益精细的纵向代谢和生理表型。核心挑战不只是收集或处理更多数据，而是建立科学有效的框架，以识别具有生物学意义的模式、区分关联与因果、量化不确定性，并支持随个体状况变化而调整的个体化决策。

在这一背景下， 数字生物统计学 并非医学人工智能的次要组成部分。它提供必要的科学与数学基础，使日益强大的人工智能系统成为严谨、可解释且具有临床价值的工具。

重点内容

我们的研究

我们率先开发非欧几里得统计方法，以定义新一代数字生物标志物。我们的研究提出了 葡萄糖密度（glucodensity）这一概念：它是一种综合性的分布型生物标志物，用于表征日常生活条件下采集的数字健康数据。我们还开发现代机器学习和统计人工智能方法，以及针对复杂高维数据的不确定性量化新方法。这些工具使我们能够更充分地利用数字健康技术产生的丰富、密集、纵向的信息。

查看我们的论文

我们的研究方向

推动数字健康研究的七大支柱

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

‹ ›

我们的项目

我们目前的项目专注于开发新一代统计人工智能方法，将数字设备采集的海量信息转化为具有临床意义的知识。我们希望通过真实医学问题，展示这些方法如何为临床研究和实践带来切实进步。

浏览我们的项目

我们的团队

一支融合统计学、人工智能与生物医学研究的跨学科团队，拥有由优秀合作研究者组成的全球网络。

认识我们的团队

加入我们

我们正在构建一项跨学科研究计划，连接生物统计学、流行病学、人工智能、数字健康与医学。欢迎有志于围绕重要生物医学问题开发严谨方法的学生和合作研究者加入。

我们相信，解决重要科学问题需要严谨、想象力、毅力与开放互助的合作精神。