Ett huvud sett i profil. Det är ett slags virtuell 3D-figur där ytan ser ut som ett vitt, ganska tätt nät. — Hur kan man ur data få fram beskrivningar av verkligheten och göra prognoser för framtiden? Det arbetar forskargruppen inom biostatistik med.

Photo: Mostphotos

Page content

Biostatistik

Forskningsgrupp

Active research

Project owner

Institutionen för medicin, Avdelningen för samhällsmedicin och folkhälsa

Research partners

Camila Caiado, Durham

University

Area

Hälsa &

medicin

Topic

Sannolikhetsteori och

statistik

Folkhälsovetenskap, global hälsa, socialmedicin och

epidemiologi

Short description

Forskargruppens fokus ligger på biostatistik, data science och epidemiologisk metodik. Vi har vår bakgrund inom statistik, matematik och epidemiologisk metodik. Vi har alla också ett stort intresse för och mycket erfarenhet av både medicinska och biologiska forskningsområden. Vi arbetar med hur man ur data kan få fram beskrivningar av verkligheten och prognoser för framtiden. Ofta gör vi det genom att utveckla och skapa innovativ användning av befintliga metoder inom statistisk och epidemiologisk metod. I våra projekt samverkar vi nästan alltid med andra forskare med medicinsk eller hälsovetenskaplig bakgrund.
Biostatistik är ett viktigt verktyg inom biologisk, medicinsk och epidemiologisk forskning och ett av våra mål är att bidra till bättre förutsättningar för medicinsk och hälsovetenskaplig forskning av hög kvalitet.

Vår pågående forskning

Kategoriska data: Hälsoutfall som inte kan mätas i traditionell mening, det vill säga de är inte lika väldefinierade som längd, vikt eller blodtryck. Exempel på detta är livskvalitet, depression, smärta eller trötthet.
Prediktionsprojekt inom områden som kronisk smärta, canceröverlevande och hjärt-kärlsjukdom.
Prediktion/tidig upptäckt av leukemi, baserat på data om genmutation.
Registerstudier om diabetes med hjälp av geokartläggning.
Modellering av historiska exponeringar
Validering av frågeformulärbaserade poäng/index: RASCH-analys.
Upprepade mått på censurerade data respektive binära data.
Flera projekt använder kausal inferens, Bayesiska metoder och så kallade machine learning-tekniker.

Nystartad eller planerad forskning

Modellering och prediktion av spridning av och identifiering av riskfaktorer för covid-19 och antalet vårdbäddar som behövs på grund av spridningen av coronaviruset SARS-CoV-2.
Biostatistikgruppen är engagerad i Covid Symptom Study Sweden. Det är en populationsstudie som är baserad på dagliga symptomdata från användare av smarttelefon-applikationen COVID Symptom Study . David Bock driver projektet "Does the Covid-19 symptom characteristics of patients diagnosed with cancer differ from the general population?". Anna Grimby-Ekman leder projektet "Patterns of self-reported symptoms and their relation to Covid-19 infection and it´s severity."
Vi planerar projekt till områden inom Bayesiansk statistik och metoder inom Machine Learning, till exempel inom cancerforskning, hjärt-kärlforskning och inom mätning av smärttrösklar.