MARC

 008260126s2025        us                              c    eng  d
■001000017358700
■00520260202104739
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290651958
■035    ▼a(MiAaPQ)AAI32149687
■035    ▼a(MiAaPQ)Stanfordmk929xk0922
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a610.285
■1001  ▼aMataraso,  Samson  Joel.
■24510▼aLeveraging  Large  Scale  Electronic  Health  Record  Databases  to  Improve  Biological  Analysis
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a144  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Aghaeepour,  Nima.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aThis  dissertation  explores  innovative  approaches  to  leverage  electronic  health  record  (EHR)  databases  for  enhanced  biological  analysis.  Through  several  interconnected  studies,  I  demonstrate  how  integrating  clinical  and  biological  data  can  overcome  the  limitations  inherent  to  each  data  type  when  analyzed  in  isolation.  First,  I  introduce  COMET  (Clinical  and  Omics  Multi-Modal  Analysis  Enhanced  with  Transfer  Learning),  a  novel  deep  learning  framework  that  utilizes  transfer  learning  from  large  EHR  databases  to  improve  the  analysis  of  high-dimensional  omics  data  from  smaller  cohorts.  I  demonstrate  COMET's  application  to  pregnancy  outcomes  and  cancer  prognosis,  showing  how  it  consistently  outperforms  traditional  analytical  approaches.  We  demonstrate  both  improved  predictive  modeling  and  improved  biological  discovery  through  use  of  the  COMET  framework.  I  then  demonstrate  COMET's  utility  to  diabetic  retinopathy,  validating  known  disease  mechanisms  while  identifying  novel  potential  biomarkers  and  therapeutic  targets.  Lastly,  I  evaluate  different  pre-training  strategies  for  EHR  foundation  models,  providing  guidance  for  further  development.  This  work  establishes  a  methodological  foundation  for  integrating  clinical  and  biological  data  that  combines  the  statistical  robustness  of  large-scale  EHR  studies  with  the  mechanistic  insights  of  molecular  profiling,  ultimately  accelerating  our  path  toward  more  personalized,  mechanism-based  biomedical  discoveries.
■590    ▼aSchool  code:  0212.
■650  4▼aElectronic  health  records
■650  4▼aMedical  prognosis
■650  4▼aVisualization
■650  4▼aMortality
■650  4▼aBioinformatics
■653    ▼aElectronic  health  record
■690    ▼a0715
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358700▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books