Information fusion and learning from diverse clinical cohorts and heterogeneus data

Abstract

This PhD thesis explores how data science can be leveraged to learn from diverse cohorts and fuse information from heterogeneous data, aiming to advance understanding and improve prediction in healthcare settings. It covers a broad set of scenarios, namely: It evaluates Machine Learning's capabilities in enhancing disease phenotyping and clinical trial efficiency, the prediction of adverse perinatal outcomes in cross-cultural cohorts, the understanding of the impact of interventions on patient-centered outcomes, and also provides a technical contribution through a novel incremental Multiple Kernel Learning technique. The research illustrates the potential of data science when applied to complex cohorts and data, thereby offering innovative methodologies and insights for managing large clinical datasets.

Esta tesis de doctoral explora cómo aprovechar la ciencia de datos para aprender de cohortes diversas y fusionar información de datos heterogéneos, con el objetivo de avanzar en la comprensión y mejorar las predicciones en entornos de atención médica. Cubre un amplio conjunto de escenarios, a saber: Evalúa las capacidades del aprendizaje automático para mejorar la fenotipado de enfermedades y la eficiencia de los ensayos clínicos, la predicción de eventos perinatales adversos en cohortes interculturales, la comprensión del impacto de intervenciones terapéuticas en el contexto vital del paciente, y también proporciona una contribución técnica a través de una nueva técnica de Aprendizaje de Múltiples Kernels de forma incremental. La investigación ilustra el potencial de la ciencia de datos cuando se aplica a cohortes y datos complejos, ofreciendo así metodologías e ideas innovadoras para gestionar grandes conjuntos de datos clínicos.