医疗和卫生信息学的挖掘大数据

在医疗卫生信息的数据量已经非常庞大,和分析大数据的拨款可能获得对知识的无限可能性。这一进步的发展也推动了电子健康记录(EHR),医疗保险索赔,医学影像数据库、疾病登记,自发报告网站,临床试验,以及从社会媒体和可穿戴设备用户生成的内容。因此,矿业在医疗卫生信息学已成为大规模数据派生的关键医疗世界复杂疾病的表型和基因型的签名从萧条到癌症,并开始翻译指导个性化临床决策。

医疗卫生信息数据的规模和复杂性提供了前所未有的机遇,提高机械的复杂疾病的理解,从而有利于公共卫生结果通过促进诊断和治疗进展。然而,由于高维度和复杂结构的数据集,计算这个领域面临着重大挑战。

这个研究课题的目标是目前最新的研究关于可靠创新的解决方案应用于医疗保健提高生活质量,以及相关的问题和挑战。贡献说明开发新的医疗卫生信息资源(包括数据库和工具)和大数据分析的应用方法协助医学影像计算和计算机辅助干预来理解和治疗罕见的欢迎和复杂的疾病。

这个研究课题寻求研究,但不限于,多维的综合分析和大型医疗卫生数据探索它们的连接提供重要的新见解正常的表型特征和遗传机制和/或无序的生物结构和功能很少或常见疾病,如神经退行性疾病,癌症,血液疾病,等等。我们特别感兴趣的新的和新兴大数据挖掘方法开发和分析跨多个数据类型通知精密医学发现或实现的努力包括genotype-phenotype数据,其他“使”数据,生活方式和环境变量,和电子健康记录数据。


话题可能包括:
•最近机器学习或数据挖掘方法的进步促进医学信息学和健康数据分析
•医疗数据的知识表示和推理
•健康数据的统计分析和表征
•启用深度学习矿业自由文本电子医疗记录的方法
•创新使用健康数据改善病人护理和治疗结果的理解和减少成本
•模式检测和假设生成数据
•量化方法,探索多维个体遗传和表型的脆弱性以及电子健康记录
•新方法来处理跨人群医疗数据和模式,并集成multi-cohort数据
•分布式集成私人多站点医学影像数据的机器学习方法
•基于联合学习方法改进的隐私和医疗卫生信息的效率
•生物医学成像设备的帮助下人工智能在健康领域