PhD Advanced statistical methods for prognostic and treatment effect modeling
Wil jij helpen bij de vooruitgang van statistische methodologieën om belangrijke klinische vragen met betrekking tot de heterogeniteit van de prognose en behandelingseffecten in de gezondheidszorg aan te pakken?
Een belangrijk doel is het ontwikkelen en implementeren van methodologie die leidt tot het effectiever ontwikkelen en evalueren van predictiemodellen in medium dimensionele context (waar er een duidelijke spanning is tussen steekproefgrootte en het aantal modelparameters). Daarbij zijn zowel prognostische modellen als modellen die behandeleffecten schatten belangrijke toepassingen. Binnen het project heb je toegang tot klinische data van hoge kwaliteit om methodologie te inspireren en te implementeren. Je rondt het onderzoek af met een proefschrift.
De sectie Big Statistics van de afdeling Epidemiologie en Data Science heeft een sterke traditie in het toepassen van nieuwe wiskundige inzichten in statistische toepassingen voor medische doeleinden. De voorgestelde onderzoekslijn naar medium dimensionele predictie heeft ook een sterk toegepast karakter. Belangrijke onderzoekslijnen binnen onze sectie zijn onder andere: statistical omics, het bestuderen van statistische methoden voor big p problemen (bijv. gen-, eiwit-, metaboliet- en exposoomgegevens); co-data: het bestuderen van methoden die het mogelijk maken om externe gegevens of expertkennis op te nemen in statistische modellen; causale inferentie. Je wordt begeleid door dr. Jeroen Hoogland en prof. Mark van de Wiel van de afdeling Epidemiologie en Data Science.
Welke biomarkers kunnen ziekteprogressie bij de ziekte van Alzheimer voorspellen? Of welke factoren voorspellen de respons op behandeling bij patiënten met een acute beroerte of kanker? Help jij ons deze vragen te beantwoorden?
Recente vooruitgang in de analyse van big data maakt het mogelijk om steeds efficiënter te leren van grote datasets met veel variabelen en een beperkt aantal individuen. Tegelijkertijd zijn er belangrijke ontwikkelingen geweest op het gebied van causale inferentie. Hierop voortbouwend, willen we regularisatiemethoden en causale inferentie technieken op maat maken voor medium dimensionele uitdagingen die veel voorkomen in de medische context. Belangrijke voorbeelden hiervan zijn het voorspellen van prognose en het schatten van behandeleffecten. Het project omvat zowel methodologische ontwikkeling als implementatie, en beoogt de toegankelijkheid van state-of-the-art methoden te vergroten.
Sollicitaties worden doorlopend behandeld. Als de vacature vervuld is, wordt deze voortijdig gesloten.
Heb je vragen over deze functie, neem dan gerust contact op met Jeroen Hoogland, assistant professor Epidemiology and Data Science, via j.hoogland@amsterdamumc.nl.
Voor meer informatie over de sollicitatieprocedure kun je contact opnemen met Rhiannon Sandfort, Recruitment adviseur, via r.e.sandfort@amsterdamumc.nl.
Een referentiecheck, screening en aannametest kunnen deel uitmaken van de procedure. Lees hier of dat op jou van toepassing is. Als je bij ons komt werken, vragen we je om een VOG (Verklaring Omtrent Gedrag).
Acquisitie naar aanleiding van deze vacature wordt niet op prijs gesteld.
Werken bij Amsterdam UMC betekent dat je onderdeel bent van iets belangrijks. Jouw rol, jouw persoonlijke bijdrage doet er toe. Want zonder... Lees meer
© Bohn Stafleu van Loghum onderdeel van Springer Nature