2017解放军总医院-麻省理工学院医疗大数据交流研讨会与 Datathon活动 临床医生海选通知

    一、活动背景


    当前医疗技术日新月异,伴随着数字技术的发展,临床环境中产生了海量、不同形式的医疗数据,我们也进入了“医疗大数据时代”。传统的临床科研主要围绕随机对照试验(RCT)展开,然而传统的临床科研模式在大数据时代有其局限性。我们发现临床医生在海量数据面前无从下手,缺乏新工具、新思路及新方法。另一方面,医疗领域具备其特殊性,门槛高,对其感兴趣但来自其他领域的人员(如计算机科学),空有一身本领,却很难入门。在当前日益复杂的科研环境下,许多临床问题迫切需求多学科、跨专业的“强强联合”去解决,大数据时代下的临床科研需要来自临床医生、计算机科学及医学工程人员的“协同作战”,各自发挥特长。基于此,本活动旨在为临床医生提供多学科合作,共同解决临床问题的机会,学会利用“大数据思维”从真正的临床数据中发现新思路,找到新方法,同时认识更多来自不同领域、志同道合的科研伙伴,共同前进成长!

    活动简介:

    第二届“解放军总医院-麻省理工学院医疗大数据交流研讨会与Datathon活动”是解放军总医院联合麻省理工学院(MIT)、《中国医疗设备》杂志社和人民卫生出版社共同举办,参加本次活动的专家团队包括解放军总医院专家团队、麻省理工学院数据科学家团队、哈佛医学院临床专家团队、国际人工智能医学年会主席、Google DeepMind人工智能专家、IBM中国研究院认知医疗研究总监、迈瑞生命支持事业部总经理、新加坡国立大学、清华大学统计中心、东京医科齿科大学、默克制药数据科学家、飞利浦医疗数据科学家等。整个活动包括医疗大数据交流研讨会和Datathon数据实践活动两部分,此次活动将为临床专家、数据科学家、人工智能专家、工程人员和企业界创新人士提供一个交流的平台,共同探讨如何使用数据分析技术来解决当前面临的临床研究问题。整个活动的具体信息可登陆http://plagh-mit-datathon.china-cmd.org

    三、Datathon简介:

    Datathon =Data + Hackthon,Datathon的前身是源自于硅谷的“Hackathon"。Hackathon通常是以短期,高强度的小组竞赛形式出现,旨在促进各大公司的技术创新和新观念的产生。对于医疗数据分析来说,Hackathon的目的在于集合临床专家,数据科学家,统计学家,以及相关领域的从业人员,来产生新的思路并且能够消除或减少临床上的一些因为统计而产生的误差,并且能够产生可复制的结果。基于这个目的,"Data"和"Hackathon"结合形成Datathon这个词。

     Datathon活动最初由MIT的团队发起,MIT计算生理学实验的团队在14年和15年分别举行了两次国际性的Datathon活动。其中2014年的Datathon举办了三天,分别在三个国家举办,有超过200多名参赛者。Datathon活动迄今为止已在全球组织了17场,旨在汇集知识背景和技术不同但互补的参与者,包括临床专家、数据科学家、统计学家、工程师和计算生物学家等,通过使用来自“真实世界”的医疗数据,合作解决临床医生面临的众多问题和未满足的医疗需求。

    典型的Datathon活动持续时间为两天(周六、周日),所有参加人员会根据个人兴趣和专业背景被分为不同的小组,每个小组集中解决一个基于医疗大数据分析的临床研究问题。每个小组必须有1-2名临床医生,2-3名数据工程师和数据科学家,其中研究问题的提出来自临床医生,数据工程师负责数据提取、清洗、可视化等工作,数据科学家负责建模和统计分析,通过不同专业背景的人员之间的思维碰撞和分工协作,探索基于医疗数据来回答临床研究问题。在这个过程中可以学习和体会如何定义临床问题以及提取数据的相关技巧。在“Hacking"环节,参会者被鼓励去分享他们的数据提取和分析代码(MATLAB,Python, R, SAS...),其中包括数据提取,统计分析、机器学习算法模型等。Datathon最后环节是成果展现,参会人员介绍他们的项目进展并且聚焦于基于“真实世界”数据开展研究的挑战,以及这次活动的心得体会,评委会给出评审意见并颁奖。

    四、Datathon活动人员要求:

    由于Datathon活动对参赛人员综合能力有一定要求,为了高质量组织好Datathon活动,拟从全国海选临床医生、数据工程师和数据科学家参加Datathon活动。基于我们的经验和体会,临床医生是一个项目好坏与成败的关键,在医疗大数据分析中起到“灵魂”作用,因此,拟通过全国海选的方式产生参赛临床医生。对临床医生的要求如下:

    1. 对医疗大数据分析利用感兴趣,从事急危重症、重症监护(内科、外科、心内、心外、创伤、儿科等ICU)以及心血管、临床检验相关领域工作,临床经验至少8年;

    2.  能够保证Datathon两天时间内全程参与,与团队一起探索临床问题解决思路;

    3. 具有一定的科研经历,具有创新性思维,善于提出临床研究问题;

    4. 具有基本的统计分析或建模知识;

    5. 具有较好的外语水平,能进行基本的对话交流;

    6. 具有开放共享思维,乐于通过多学科团队解决“真实世界”问题。

    五、预期收获:

    1.了解“人工智能+医疗大数据”领域的最新进展;

    2. 免费参加Datathon活动;

    3. 快速学习和掌握医疗大数据分析的基本思路、方法和技能;

    4. 通过Datathon活动与哈佛、MIT等顶级科研团队“亲密接触”;

    5. 体验不同学科背景人员的分工协作、思维碰撞和成果分享过程;

    6. 获得与解放军总医院团队和MIT团队长期合作和技术支持的机会;

    7. 免费获得由解放军总医院医学工程团队翻译出版的MIT教材《Secondary Analysis of Electronic Health Records》,内有医疗大数据研究背景,方法论,典型研究案例以及相关模型和算法的R语言源代码;

    8. Datathon获奖者将获得丰厚的奖品!

    六、活动安排

    1. 所用临床数据库:

    a) MIT的多参数重症监护数据库Medical Information Mart for Intensive Care (MIMIC) Database:https://mimic.physionet.org/about/mimic/

    b) Philips的eICU合作研究数据库:https://eicu-crd.mit.edu/;

    c) 其他脱密和去标识化的临床数据;

    d) 可穿戴技术获得的连续动态生理数据(心电、呼吸、脉搏、血氧、体位/体动)以及对应的临床基本信息数据(去标识化)。

    2. 海选流程:

    a) 7月-8月 报名和临床医生海选,报名网址:http://plagh-mit-datathon.china-cmd.org

    b) 8月-9月 入选医生提出临床研究问题,与MIT、哈佛医学院团队、301医院团队讨论研究问题,进而由解放军总医院团队基于MIMIC和eICU数据库提取数据,验证可行性,最终确定备选题目;

    c) 9月-10月   候选者可到301医院参加免费的临床数据科学相关培训;

    d) 11月3-5日  医疗大数据交流研讨会和Datathon活动

    3. Datathon活动组织:

    a) MIT团队和哈佛医学院团队介绍Datathon和经验分享

    b) 由临床医生轮流进行3分钟的路演,招募队员

    c) 根据人员水平进行配队,确保每组实力相近

    d) 利用接下来的两天进行竞赛

    e) 活动结束前由临床医生和团队做项目汇报,并评选出获胜者。

    4. 预期福利

    a) 候选者可到301医院参加免费的临床数据科学相关培训;

    b) Datathon的命题将会持续深入研究,以发表论文为最终目标,候选者将为论文第一作者;

    c) 优秀者将可以被推荐至哈佛医学院进行交流访问

    5. 专家团队 (详情见网站:http://plagh-mit-datathon.china-cmd.org)

    a) 数据科学家顾问团队

    b) 临床医生顾问团队

    c) 大会嘉宾

    d) 解放军总医院医工交叉研究团队

    、联系方式

    Datathon 活动:李沛尧 15701695191 E-mail:lipeiyao@301hospital.com.cn

    参会事宜:王晓宇 15269167585  E-mail:wangxiaoyu@cmdmedia.cn

     

    附件历届DATATHON资料

    MIT团队在2014年首次举办Datathon活动,在麻省,伦敦和巴黎三地同时开展。迄今为止Datathon已经在全球成功举办了17场,引导建立了多个跨学科合作团队。


    往届Datathon活动一览:


    Presentation at the Critical Data Marathon. Photo by Andrew Zimolzak

    “data marathon” on January 3-5, 2014, MIT

     

    Data-driven learning system panel

    “data marathon” on January 3-5, 2014, MIT

     

    Datathon in Colombia, 2015

     

    Datathon in Taipei, 2016

     

    Datathon in Mexico, 2017

     

    Datathon in Singapore, 2017 

    Datathon成果展示

    迄今为止Datathon已经在全球成功举办了17场,引导建立了多个跨学科合作团队。

    Badawi O, Brennan T, Celi L A, et al. Making big data useful for health care: a summary of the inaugural mit critical data conference.[J]. Jmir Med Inform, 2015, 2(2):e22.

    Aboab J, Celi LA, Charlton P, et al. A "datathon" model to support cross-disciplinary collaboration.[J]. Science Translational Medicine, 2016, 8(333):333ps8.

    Angelidis P, Berman L, Casas-Perez M D L L, et al. The hackathon model to spur innovation around global mHealth[J]. J Med Eng Technol, 2016, 40(7-8):1-8.

    Silver J K, Binder D S, Zubcevik N, et al. Healthcare Hackathons provide educational and innovation opportunities: a case study and best practice recommendations[J]. Journal of medical systems, 2016, 40(7): 1-7.  

    Celi L A, Lokhandwala S, Montgomery R, et al. Datathons and Software to Promote Reproducible Research[J]. Journal of medical Internet research, 2016, 18(8).  

    Almishari S, Salamah N, Alwan M, et al. The Rise of Hackathon-Led Innovation in the MENA Region: Visualizing Spatial and Temporal Dynamics of Time-Bounded Events[C]//International Conference on Social Computing and Social Media. Springer, Cham, 2017: 367-377.

     

    MIMIC Paper一览:

    Futoma J, Hariharan S, Heller K. Learning to Detect Sepsis with a Multitask Gaussian Process RNN Classifier[J]. 2017.

    Shrime M G, Ferket B S, Scott D J, et al. Time-Limited Trials of Intensive Care for Critically Ill Patients With Cancer: How Long Is Long Enough?[J]. Jama Oncology, 2016, 2(1):76.

    Henry K E, Hager D N, Pronovost P J, et al. A targeted real-time early warning score (TREWScore) for septic shock.[J]. Science Translational Medicine, 2015, 7(299):299ra122.

    Paonessa J R, Brennan T, Pimentel M, et al. Hyperdynamic left ventricular ejection fraction in the intensive care unit[J]. Critical Care, 2015, 19(1):1-7.

    R Pirracchio ML Petersen, et al. Mortality prediction in the ICU: can we do better? Results from the Super ICU Learner Algorithm (SICULA) project, a population-based study[J]. Lancet Respir Med. 2015, 3(1): 42–52

    Hsu D J, Feng M, Kothari R, et al. The Association Between Indwelling Arterial Catheters and Mortality in Hemodynamically Stable Patients With Respiratory Failure: A Propensity Score Analysis[J]. Chest, 2015, 148(6):1470-6.

    Ghassemi M, Marshall J, Singh N, et al. Leveraging a critical care database: selective serotonin reuptake inhibitor use prior to ICU admission is associated with increased hospital mortality[J]. Chest, 2014, 145(4):745-752.

    Ghassemi M M, Richter S E, Eche I M, et al. A data-driven approach to optimized medication dosing: a focus on heparin[J]. Intensive Care Medicine, 2014, 40(9):1332-1339.


Copyright © 2000-2022 All Rights Reserved.

《中国医疗设备》杂志社 版权所有

京ICP备15059164号-1

京公网安备 11010502038061号