Learning on complex, biased, and big data: disease risk prediction in epidemiological studies and genomic medicine on the example of childhood asthma

Krautenbacher, Norbert

User: Guest

Biowissenschaften

Back
Back to start of result list
Permanent link for displayed object

If you experience problems opening the document, please try this link.

Original title:: Learning on complex, biased, and big data: disease risk prediction in epidemiological studies and genomic medicine on the example of childhood asthma
Translated title:: Lernen auf komplexen, verzerrten und großen Daten: Prädiktion von Krankheitsrisiken in epidemiologischen Studien und genomischer Medizin am Beispiel von Asthma im Kindheitsalter
Author:: Krautenbacher, Norbert
Year:: 2018
Document type:: Dissertation
Faculty/School:: Fakultät für Mathematik
Advisor:: Theis, Fabian J. (Prof. Dr. Dr.)
Referee:: Theis, Fabian J. (Prof. Dr. Dr.); Boulesteix, Anne-Laure (Prof. Dr.); Hammer, Barbara (Prof. Dr.)
Language:: en
Subject group:: MAT Mathematik
TUM classification:: BIO 110d; MAT 022d
Abstract:: Predicting the risk of complex diseases is a field of growing relevance in medicine and shows high potential of refinement and improvement by integrating new data types and larger data sets. In this thesis, we investigate and overcome issues on several challenges in this field by applying and developing statistical methodology for working with complex data structures and we show how prediction for diseases can be improved by taking into account bias, complexity and bigness of data.
Translated abstract:: Die Prädiktion des Risikos komplexer Krankheiten in der Medizin gewinnt an Relevanz und birgt hohes Potential der Verfeinerung und Verbesserung, indem neue Datentypen sowie größere Datensätze integriert werden. In dieser Arbeit untersuchen und lösen wir mehrere Aspekte bezüglich der Herausforderungen in diesem Gebiet: wir nutzen und entwickeln statistische Methodik zum Arbeiten mit komplexen Datenstrukturen und zeigen wie die Prädiktion von Krankheiten durch Berücksichtigung von Verzerrung, Komplexität und Größe der Daten verbessert werden kann. «
Die Prädiktion des Risikos komplexer Krankheiten in der Medizin gewinnt an Relevanz und birgt hohes Potential der Verfeinerung und Verbesserung, indem neue Datentypen sowie größere Datensätze integriert werden. In dieser Arbeit untersuchen und lösen wir mehrere Aspekte bezüglich der Herausforderungen in diesem Gebiet: wir nutzen und entwickeln statistische Methodik zum Arbeiten mit komplexen Datenstrukturen und zeigen wie die Prädiktion von Krankheiten durch Berücksichtigung von Verzerrung, Komp... »
WWW:: https://mediatum.ub.tum.de/?id=1446834
Date of submission:: 19.07.2018
Oral examination:: 28.09.2018
File size:: 7345442 bytes
Pages:: 186
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20180928-1446834-1-0
Last change:: 18.10.2018
BibTeX

Occurrences:

mediaTUM Gesamtbestand Einrichtungen Schools TUM School of Computation, Information and Technology Departments Mathematics Lehrstuhl für Mathematische Modellierung biologischer Systeme (Prof. Theis)dissertations

mediaTUM Gesamtbestand Elektronische Prüfungsarbeiten Fachgebiet Biowissenschaften

mediaTUM Gesamtbestand Einrichtungen Schools TUM School of Computation, Information and Technology Prüfungsarbeiten Dissertationen

mediaTUM Gesamtbestand Hochschulbibliographie 2018 Fakultäten Mathematik Lehrstuhl für Mathematische Modelle biol. Systeme (Prof. Theis)

mediaTUM Gesamtbestand Elektronische Prüfungsarbeiten School TUM School of Computation, Information and Technology

mediaTUM Gesamtbestand Elektronische Prüfungsarbeiten School TUM School of Computation, Information and Technology Mathematics

mediaTUM Gesamtbestand Elektronische Prüfungsarbeiten Fachgebiet Mathematik