Lista de Projetos

A Modelação Bayesiana de Equações Estruturais (BSEM) tem recebido atenção significativa devido à sua capacidade de resolver problemas comuns encontrados nas abordagens frequentistas, como a não convergência, os casos de Heywood, as limitações do tamanho da amostra e as soluções inadmissíveis. Além disso, a BSEM pode estimar modelos complexos com os quais os métodos clássicos de máxima verosimilhança frequentemente se debatem. Um componente crucial da BSEM é a incorporação de conhecimento prévio através de distribuições a priori, o que oferece uma vantagem única sobre os métodos frequentistas, ao permitir que informações previamente conhecidas sejam incluídas de forma transparente nas especificações do modelo. A elicitação apropriada de priors é essencial para traduzir o conhecimento do domínio em distribuições de probabilidade, melhorando assim a precisão e a fiabilidade do modelo. Apesar disso, o desenvolvimento e a adoção generalizada de técnicas robustas de elicitação de priors em BSEM permanecem limitados. Este projeto visa avançar o campo da BSEM através de métodos computacionais inovadores e aplicações práticas, com foco no processamento por GPU e no seu potencial para aumentar a eficiência dos cálculos bayesianos. Ao aproveitar as capacidades de computação paralela fornecidas pelas unidades de processamento gráfico modernas, o projeto procura acelerar significativamente os processos computacionais envolvidos na BSEM. Adicionalmente, o projeto explorará o uso da BSEM no desenvolvimento de instrumentos psicométricos, empregando técnicas como o Markov Chain Monte Carlo (MCMC) utilizando o No-U-Turn Sampler (NUTS) para a estimação de modelos latentes. Estas inovações prometem oferecer insights mais profundos sobre a precisão da medição e melhorar a validade dos instrumentos psicométricos em diversas populações. Os resultados esperados deste projeto incluem uma melhor eficiência computacional, estimações de modelo otimizadas e uma maior adoção dos métodos bayesi...

Despite decades of devoted research, cancer remains a tremendous health threat and societal burden. Europe's Beating Cancer Plan aims to improve the lives of more than 3 million people by 2030 by improving prevention, early detection, diagnostics, therapeutics, and quality of life. The biggest single hurdle here is the highly inadequate way cancer data, both from research and healthcare, are still being dealt with. While other areas of society (e.g. e-finance, e-commerce, logistics, travel, meteorology, etc.) have fully exploited advances in data and information technology to serve organisations as well as individual consumers, so far this has failed in the health domain. Consequently, cancer data are hard to Find, Access, make Interoperable and Reuse. Evidently this is not caused by lack of suitable technology, but rather by organisational, social and cultural causes. Inherently, solving the problem requires a cultural shift from the current craftsmanship approach to cancer research and data, to a drastic collaboration model at industrial scale. CANDLE therefore aims to scale-up and improve existing (inter)national health data infrastructures, align maximally with national EHDS implementations in member states, including HDAB’s, DAAMS’s and SPE’s. CANDLE will also identify and resolve potential barriers (https://www.health-ri.nl/en/participation/obstacles-removal-trajectory ) that jeopardize effective implementation of UNCAN.eu and ECPDC digital platforms. CANDLE aims to equipe data users and NCDN developers with a ‘ready-to-use' CANDLE Resource Kit in a process oriented (research journey, patient journey, data life cycle) way. In summary, CANDLE will provide an avenue towards a successful and highly desired data transformation in European cancer research and serve as a catalyzer for the UNCAN.eu and ECPDC platforms by advancing the development of NCDNs to reach the goal of the Cancer Mission and Europe’s Beating Cancer Plan, i.e. reducing the burden of cancer.

The already established consortium of Aston University (UK), University College London (UK), Ruralis University (Norway), University of Turin (Italy), and University Institute of Lisbon (Portugal) will seek funding from the EU's ‘100 Climate-Neutral and Smart Cities by 2030’ initiative. Our proposal includes developing a scalable tool to evaluate and guide urban mobility policies, supporting sustainable development and the 15-minute city concept, especially post-COVID-19. This tool will analyze mobility's complex nature, integrating environmental sustainability and regional urban system characteristics like geography and demographics. AIenhanced, it will assess impacts on affordability and accessibility, providing localized insights. We seek pumpprimingfunds for two residential workshops at Aston University to solidify collaboration, complete application writing, and establish a proof of concept

A modelação Bayesiana de equações estruturais (BSEM) tem recebido um interesse crescente, principalmente devido à sua capacidade de resolver alguns dos problemas encontrados na abordagem frequencista dominante (por exemplo, não convergência, casos de Heywood, limitações do tamanho da amostra e soluções inadmissíveis). Além disso, a BSEM permite a estimação de modelos complexos que os métodos clássicos de máxima verosimilhança podem ter dificuldade em lidar. Um componente crítico de qualquer análise Bayesiana é a distribuição a priori dos parâmetros desconhecidos do modelo. Uma distinção chave entre a modelação Bayesiana de equações estruturais e a modelação frequencista de equações estruturais é o uso de priors. Os investigadores podem ser céticos quanto à subjetividade das distribuições a priori e ao seu impacto na modelação Bayesiana. No entanto, os priors são uma vantagem importante da utilização da estatística Bayesiana, pois permitem que conhecimento prévio seja incluído de forma transparente e direta na estimação do modelo. A eliciação adequada dos priors é essencial para traduzir o conhecimento e a decisão sobre um fenómeno numa distribuição de probabilidade. Os priors permitem a quantificação da incerteza e encapsulam o conhecimento disponível sobre os parâmetros antes de observar os dados. Existem várias maneiras de traduzir o conhecimento prévio em parâmetros de distribuição. Os resultados mostram que os investigadores tendem a confiar em priors fracamente informativos (ou seja, priors de reduzida variância). No entanto, a eliciação de priors na modelação Bayesiana de equações estruturais ainda tem um longo caminho a percorrer em termos de desenvolvimento e adoção generalizada.

As abordagens psicométricas tradicionais frequentemente dependem de modelos frequentistas, que podem ser limitados na forma como lidam com a incerteza e na incorporação de conhecimento prévios. Ao adotar um paradigma Bayesiano, este projeto visa aprimorar a análise psicométrica através de técnicas de modelagem probabilística mais flexíveis, que permitem atualizações dinâmicas à medida que novos dados se tornam disponíveis. O projeto centra-se na criação e adaptação de instrumentos psicométricos para populações diversas. Técnicas computacionais avançadas, incluindo Markov Chain Monte Carlo (MCMC) utilizando o No-U-Turn Sampler (NUTS), são empregadas para a estimativa de modelos latentes. A abordagem Bayesiana proporciona uma compreensão mais profunda da precisão da medição e contribui para o desenvolvimento de instrumentos psicométricos com fortes evidências de validade.