Torna ai risultati della ricercaBando per incarichi di ricerca
| Titolo del progetto dell'incarico in italiano | 2026_IR_28_DEI_Sviluppo di metodi avanzati per la correzione dei fattori confondenti negli studi osservazionali retrospettivi basati su dati real-world e modelli di reti bayesiane per la previsione degli esiti del diabete |
|---|---|
| Titolo del progetto ddell'incarico in inglese | 2026_IR_28_DEI_Developing advanced methods for adjusting confounding factors in retrospective observational studies with real-world data and Bayesian network models to predict diabetes outcomes |
| G.S.D. | 09/IBIO-01 - BIOINGEGNERIA |
| S.S.D | IBIO-01/A - Bioingegneria |
| Descrizione sintetica in italiano | I metodi allo stato dell’arte per la correzione dei fattori confondenti negli studi osservazionali retrospettivi basati su dati real-world sono spesso semiautomatici e richiedono l’impostazione di iperparametri e la scelta dei modelli del propensity score e dell’outcome. Il ricercatore analizzerà approcci che sfruttano funzioni costo e tecniche di apprendimento automatico per automatizzare queste fasi, rendendo la pipeline di analisi completamente automatica.Il ricercatore applicherà inoltre le reti bayesiane per modellare diversi tipi di dati raccolti nelle popolazioni diabetiche, compresi dati di cartelle cliniche elettroniche e dati di monitoraggio continuo della glicemia. L’obiettivo è verificare l’utilizzo delle reti bayesiane per lo sviluppo di modelli affidabili in grado di prevedere le complicanze a lungo termine nel diabete di tipo2 e le complicanze materne e neonatali nelle donne in gravidanza affette da diabete gestazionale o diabete di tipo1, identificando i... |
| Descrizione sintetica in inglese | State-of-the-art methods for adjusting confounding factors in retrospective observational studies with real-world data often are semi-automatic, require the setting of hyperparameters and the choice of propensity score and outcome models. The researcher will investigate approaches that exploit mathematical cost functions and machine learning techniques for automating these steps, making the analysis pipeline fully automatic. The researcher will also apply Bayesian networks for modeling different types of data collected in diabetic populations, including electronic health records and continuous glucose monitoring data. The goal is to test the use of Bayesian networks for developing reliable models to predict long-term complications in type 2 diabetes and mother and neonatal complications in pregnant women with gestational diabetes or type 1 diabetes, identifying the major risk factors. |
| Data del bando | 08/09/2026 |
| Numero di assegnazioni per anno | 1 |
| Paesi in cui può essere condotto l'incarico |
OTHER |
| Paesi di residenza dei candidati |
OTHER |
| Nazionalità dei candidati |
OTHER |
| Sito web del bando | https://www.dei.unipd.it/bandi |
| Destinatari dell'incarico di ricerca (of target group) |
Early stage researcher or 0-4 yrs (Post graduate) |
|---|
| Nome dell'Ente finanziatore | Dipartimento di Ingegneria dell'Informazione - Università degli studi di Padova |
|---|---|
| Tipologia dell'Ente | Academic |
| Paese dell'Ente | Italy |
| Città | Padova |
| Sito web | https://www.dei.unipd.it/bandi |
| bandi@dei.unipd.it |
| L'incarico finanziato/cofinanziato attraverso un EU Research Framework Programme? | No |
|---|
| Data di scadenza del bando | 29/09/2026 - alle ore 13:00 |
|---|---|
| Come candidarsi | https://pica.cineca.it/unipd/ |