• 统计研究中心
当前位置: 首页 > 系列讲座 > 正文

美国密歇根大学宋学坤(Peter Xuekun Song)教授: Improving Alvin Roth’s Dynamic Optimization in Evolving Networks of Transplant Patient​


光华讲坛——海外名家讲堂

主题 Improving Alvin Roth’s Dynamic Optimization in Evolving Networks of Transplant Patient在移植患者进化网络中改进Alvin Roth动态优化

主讲人 美国密歇根大学宋学坤(Peter Xuekun Song)教授

主持人 统计学院林华珍教授

时间2023715日(周六)下午4:00-5:00

举办地点:柳林校区弘远楼408会议室

主办单位 统计学院 国际交流与合作处 科研处


主讲人简介

宋学坤教授,美国统计学会会士、数理统计学会会士,国际统计学会选举委员,the Journal of American Statistical AssociationAnnals of Applied Statistics, the Journal of Multivariate Analysis等学术期刊副主编;1996年自不列颠哥伦比亚大学获得统计学博士学位,20081月加入密歇根大学安娜堡分校公共卫生学院。宋博士已经发表超过200篇经同行评审的研究成果。宋博士的主要研究领域包括分布式推断、高维数据分析、纵向数据分析、缺失数据问题、时空数据建模以及精准健康领域的统计方法。

更多详情见个人主页:http://www.umich.edu/~songlab/


内容简介

This presentation focuses on dynamic optimal solutions of organ matching under a new formulation of patient’s networks that evolve over time. The proposed new framework generalizes Alvin Roth’s static networks of transplant patients who seek for organ exchanges by incorporating several key clinical uncertainties. Some technical challenges arising from Kidney Paired Donation (KPD) Programs, in which statistical learning and optimization in delivering data-driven solutions for organ matching will be reviewed. In Economics, a KPD program may be regarded as an irregular market operated under certain rules of organ-to-organ exchange, while in data science it could be formulated as a dynamic network of patient-donor pairs that will be matched to achieve an optimal utility of clinical benefit. Optimization of matching strategies, time-course reinforced learning decision-making, and fairness of organ allocation policies give rise to several challenging but important problems that call for solutions. Such solutions have direct clinical and economic values.

本次演讲的重点是基于一个新构建的随时间演化的病人网络,寻找器官匹配的动态最优解。提出的新框架通过纳入几个关键的临床不确定性指标,推广了寻求器官交换的移植患者的Alvin Roth静态网络。还回顾了一些统计学习和优化提供的数据驱动的器官匹配方案,这些方案曾用于解决肾脏配对捐赠(KPD)计划中出现的一些技术挑战。在经济学中,一个KPD计划可以被看作是在某些器官到器官交换规则下运作的非常规市场,而在数据科学中,它可以被描述为一个患者-供体对的动态网络,这些网络将被匹配以实现临床效益上的最佳效用。匹配策略的优化、时程强化学习决策、器官分配政策的公平性等问题都是具有挑战性但亟待解决的重要问题。这样的解决方案具有直接的临床和经济价值。

上一条:清华大学王天颖助理教授:A unified quantile framework reveals nonlinear heterogeneous transcriptome-wide associations

下一条:北京师范大学-香港浸会大学联合国际学院潘建新教授:Modeling biomarker variability in joint analysis of longitudinal and survival data纵向和生存数据联合分析中的生物标志物变异性建模