Lightning talks in Harvard, 2nd round in 2018
3월에는 Blizzard로 Lightning talk가 취소되었다. 한국에는 봄이 왔는데 보스턴에는 아직도 블리자드가 오고 있다. 어메이징 보스턴...
이번 4월 Lightning talk에서는 내가 잘 접해보지 못했던 교수님들의 Talk가 있었다.
-----------------------------------------------------------------------------------------------------
1. Bob Glynn : Monitoring clinical trials with multiple doses of an infrequently used drug with pleiotropic effects.
현재 BST210 (Applied Regression - 석사 1년차 회귀분석 수업)을 가르치고 계시는 Bob Glynn 교수님! 현재 Novartis의 Fund를 받아 진행하고 계시는 신약개발 검증 과정에 대한 이야기를 해 주셨다. CANTOS
- 현재 진행되는 연구: CANTOS is a major multi-national randomized clinical trial that will test whether reducing inflammation in heart attack patients can reduce the risk of having another heart attack or stroke in the future.
- Prior knowledge가 없는 상태에서 multiple dose의 영향을 어떻게 측정할 것인가?
(ex) placebo, 50mg, 100mg and 150mg을 투입하였는데 각자의 영향이 다르게 나타난다면?
(ex) 문제는, 전혀 예상하지 못했던 효과가 나타난 것. Lung cancer의 hazard ratio가 줄어든다던지...
- 개인적으로 질문을 한 결과 이것을, "Statistican's Role"과 관련여 이야기 해 주셨다. 통계학자는 Hypothesis를 세우고 reject/can't reject를 이야기하는 것이 주 업이라면, 그 이후의 일은 biological knowledge를 가지고 또 다른 연구를 진행해 나가는 것.
- Protocol에 적혀있지 않은 결과가 나왔을 때, 이 결과가 과연 "우연히" 나온 것이라고 생각한 것이 과거였다면 요새는 꼭 그런것 만은 아니라고 한다. 특히 Cardiovascular를 target으로 한 신약에 lung cancer의 risk가 줄어들은 결과가 "Lancet" 저널에 Accept되었다고 한다.
--------------------------------------------------------------------------
2. Peter Craft
Genomics epidemiology를 하시는 교수님. 자신의 lab에서 하는 연구에 대해 설명해 주셨다.
- Disease biology: Genotype과 Phenotype은 알아도, genotype -> phenotype 중간의 인과관계에 대해서 아직은 잘 알려진 것이 없고, 그렇기 때문에 data quality, dimensionality, confounding 등을 고려하여 Causal Inference를 하는 것이 목표라고 하셨다.
- "Build prediction Model" ex) breast cancer에 대해 모든 사람에게 memogram을 시키는 것이 아닌, age와 risk factor에 기반하여 stratified memogram을 한 것이 효과가 더 컸다 등
------------------------------------------------------------------------------
3. Jamie Robins
Optimal treatment strategy를 어떻게 찾을 것인가!!!
- Question: HIV treatment를 바꾸려고 한다. "바꿀지 말지"에 대한 decision은 test에 의해 결정된다. 그리고 그 test는 다양한 risk factor에 결정된다. 그렇다면 과연 test에 independent한 switching decision을 도울 \beta 들을 어떻게 구할 것인가? 어떻게 beta를 maximize해야할까?
=> 여기서의 문제: test를 한 사람에게만 switching decision=1인 경우가 있다. test를 하지 않은 사람에게서는 switching decision이 항상 0이다.
이건 약간 내가 접근할 수 있는 정도는 아니었다. theoretical한 문제에 대해 고민하고 계시는 교수님이었다.
===================================================
댓글
댓글 쓰기