Amélioration de la modélisation robuste de l’inférence causale et de la prédiction à haute dimension

Pourquoi étudier des données complexes en médecine de précision ?

Les progrès récents des technologies « -omiques » permettent aux scientifiques de collecter simultanément de grandes quantités de données cliniques. Cela révolutionne la façon dont nous pouvons mesurer les processus pathogènes ou les réponses aux thérapies.

Ces données de grande dimension ont le potentiel d’améliorer la prévention et le diagnostic des maladies. Cependant, il présente des défis importants en raison des erreurs de mesure, des valeurs aberrantes, des réponses multivariées et des structures de corrélation complexes.

Les progrès dans ce domaine sont essentiels pour construire des modèles utiles en médecine de précision.

Zones d’exploration

Régression régularisée avancée

Comprend la réduction de la variance et la diminution des erreurs d’échantillonnage dans les données biométriques.

Variables instrumentales régularisées

Comprend la correction des erreurs de mesure dans les données biométriques.

Modèles causaux à valeur matricielle

Comprend le développement de modèles de causalité dans des contextes de grande dimension.

Résoudre les défis mondiaux

Objectif de l’équipe de recherche

Développer un cadre analytique avancé pour la gestion de données complexes en sciences biomédicales.