
Extended Abstracts Fall 2015: Biomedical Big Data; Statistics for Low Dose Radiation Research
Dieser zweiteilige Band versammelt erweiterte Konferenzabstracts zu ausgewählten Vorträgen des Biostatnet-Workshops zu biomedizinischen (Big) Daten und des DoReMi LD-RadStats: Workshop for statisticians interested in contributing to EU low dose radiation research, die am Centre de Recerca Matemtica (CRM) in Barcelona vom 26. bis 27. November 2015 bzw. am Institut de Salut Global ISGlobal (ehemals CREAL) vom 26. bis 28. Oktober 2015 stattfanden. Bei den meisten Beiträgen handelt es sich um kurze Artikel, in denen vorläufige neue Ergebnisse vorgestellt werden, die noch nicht in regulären Forschungszeitschriften veröffentlicht wurden.
Der erste Teil ist den Herausforderungen gewidmet, die sich bei der Analyse sogenannter biomedizinischer Big Data ergeben. Dabei handelt es sich um riesige Mengen biomedizinischer und gesundheitlicher Daten, die täglich durch den Einsatz neuester technologischer Entwicklungen wie massive genomische Sequenzierung, elektronische Gesundheitsakten oder hochauflösende medizinische Bildgebung erzeugt werden. Die Analyse dieser Daten stellt die Forscher in den Bereichen Biostatistik, Bioinformatik und Signalverarbeitung vor große Herausforderungen. Darüber hinaus werden auch andere relevante Herausforderungen in der biostatistischen Forschung diskutiert, die nicht unbedingt mit Big Data zu tun haben.
Der zweite Teil wiederum ist der Forschung im Bereich der Niedrigdosis-Strahlung gewidmet, wo die Notwendigkeit besteht, potenzielle Unsicherheitsquellen vollständig zu verstehen und zu charakterisieren, bevor sie reduziert werden können. Darüber hinaus zeigt das Buch, warum die formale Unsicherheitsanalyse das Potenzial hat, eine gemeinsame Plattform für die multidisziplinäre Forschung in diesem Bereich zu bieten.
Dieses Buch richtet sich sowohl an etablierte Forscher als auch an Doktoranden und Postdoktoranden, die mehr über die neuesten Fortschritte in diesen hochaktiven Forschungsbereichen erfahren möchten.