316
个编辑
更改
跳到导航
跳到搜索
第19行：
第19行： + + + + + + + + + + + + 第47行：
第59行： + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
无编辑摘要
【补译】赫尔南的教学目标，集中在如何生成、分析、翻译数据用来指导健康政策及临床决策。他主要在哈佛公共卫生学院教授因果推理方法论，在哈佛麻省理工健康科学与技术学院教授临床传染病学。
【补译】赫尔南的教学目标，集中在如何生成、分析、翻译数据用来指导健康政策及临床决策。他主要在哈佛公共卫生学院教授因果推理方法论，在哈佛麻省理工健康科学与技术学院教授临床传染病学。
== 研究内容 ==
方法论研究
赫尔南的研究集中在因果推理的方法论上，包括政策和临床干预的比较效果。在理想的情况下，所有的政策和临床决策都应该基于随机实验的结果。例如，关于避免饱和脂肪或开具特定止痛药处方的公共健康建议将基于长期研究的结果，这些研究比较了几种随机分配的干预措施在目标人群中的大群体中的有效性，这些人都坚持研究干预措施。不幸的是，这样的随机实验往往是不道德的、不切实际的，或者太过冗长，无法及时做出决定。
他和他的合作者结合了观察数据，大多是不可检验的假设，和统计学方法来模拟假设的随机实验。他们强调需要制定明确的因果问题，并使用分析方法，其有效性并不需要与当前主题知识相冲突的假设。例如，在专家怀疑是否存在受先前治疗影响的时间依赖性混杂因素的情况下，他们不使用要求不存在这种混杂因素的调整方法(例如，传统的回归分析/混杂因素)。虽然从观察数据得出的因果推论总是有风险的，但对观察性研究进行适当的分析往往能为政策制定或临床决策提供最佳可用证据。至少，设计良好、分析恰当的观察性研究的发现可以指导未来随机实验的设计。
应用研究
他们的应用工作侧重于艾滋病毒感染者抗逆转录病毒疗法的最佳使用、生活方式和药物干预以减少心血管疾病的发病率，以及促红细胞生成剂对透析患者的影响。
==教育经历==
==教育经历==
*Licenciado en Medicina, 1995, [[Universidad Autónoma de Madrid]], Spain
*Licenciado en Medicina, 1995, [[Universidad Autónoma de Madrid]], Spain
*国际疾病监测协会生物监测杰出研究论文奖(类别: 对该领域的重大影响，二等奖) ，2016年
*国际疾病监测协会生物监测杰出研究论文奖(类别: 对该领域的重大影响，二等奖) ，2016年
*美国流行病学杂志一百周年纪念之有影响力的文章: 在该杂志创刊头百年发行文章中，以第一作者和第二共同作者，四度被选定为有影响力的文章
*美国流行病学杂志一百周年纪念之有影响力的文章: 在该杂志创刊头百年发行文章中，以第一作者和第二共同作者，四度被选定为有影响力的文章
== CAUSALab ==
CAUSALab 是一个旨在调查如何使用数据来支持医学、公共卫生和政策方面的更好决策为目的的研究中心，
无论是选择一种治疗方法来维持2019冠状病毒疾病患者的生命，还是确定饮食指南的有效性，临床医生、决策者和患者在做出影响健康的选择之前，都必须经常筛选大量的信息。
哈佛大学公共卫生学院的新 CAUSALab 于11月5日在斯奈德礼堂举行了启动仪式，旨在使这些决定变得更加容易。
该中心成立于2021年，由生物统计学和流行病学教授 Miguel Hernán 领导。它的研究人员使用一种被称为因果推理的学科开发出可操作的分析，这种学科最早由流行病学教授詹姆斯 · 罗宾斯、米切尔 · l · 和罗宾 · 拉弗利 · 董描述于1986年。这项工作结合了流行病学工具和人工智能技术，以及来自卫生保健数据库、流行病学研究和随机试验的数据，以调查药物、公共卫生和政策的有效性和安全性。
在发射活动中，赫恩将 CAUSALab 描述为“一个学习什么工作的中心”他指出，实验室的工作经常被用来支持临床或政策决定，这是他和他的同事们非常认真对待的一项责任。
在一个小组讨论中，实验室的研究人员分享了2019冠状病毒疾病流行期间与决策相关的因果推断工作。芭芭拉 · 迪克曼，流行病学系讲师，讨论了她对疫苗相对有效性和安全性的研究。其他特色研究集中在旧药物的再利用用于2019冠状病毒疾病治疗，以及非药物干预用于2019冠状病毒疾病的预防和治疗。
== 相关新闻 ==
=== 精确定位疾病原因的复杂工作 ===
2022年5月12日——确定导致疾病或其他健康状况的因素ーー还是仅仅与这些状况相关的因素ーー长期以来一直是流行病学家的挑战。但是了解病因对于开发有效的医疗和政策干预是至关重要的。三位流行病学家在2022年5月6日于哈佛大学陈子昂公共卫生学院举行的第六届卡特研讨会上讨论了这个问题。
Kolokotrones 生物统计学和流行病学教授、哈佛大学 Chan 学院 CAUSALab 主任、发言人之一 Miguel Hernán 说: “我们要求流行病学家估计偶然效应，以了解什么可以改善健康状况。医生、病人和政策制定者... ... 必须知道什么是有效的，才能根据证据做出决定。”虽然他指出，实验性试验是因果推理的黄金标准，但它们往往耗费时间和昂贵，而且不能在所有情况下都适用于伦理。另一方面，他说，一些专家质疑是否可以从观察数据中准确地收集原因，特别是最近几个引人注目的例子，证明从观察研究中得出的结论是错误的。
Miguel Hernán 是艾滋病毒-因果协作项目的学术带头人，该项目比较不同治疗方法对于艾滋病毒感染者的有效性，他辩护说使用观察性研究有时是回答某些公共健康问题的唯一方法。他认为，那些被证明是错误的研究之所以存在问题，主要是因为应用方法不当，而不是研究本身的观察性。他说，随机试验和观察性研究可以相辅相成。他说: “我们可以把随机试验作为观察性研究的基准，我们可以利用观察性研究来扩展试验的结果，改进未来试验的设计。”。
== 参考书目 ==
* Causal analysis of existing databases: no power calculations required. Responses to Campbell, Morris and Mansournia, et al.
* Causal analyses of existing databases: no power calculations required.
* Lockdown measures and relative changes in the age-specific incidence of SARS-CoV-2 in Spain.
* Association of Statin Use With Overall and Cancer Survival-Reply.
* Comparative Effectiveness Research Using Observational Data: Active Comparators to Emulate Target Trials with Inactive Comparators.
* Does water kill? A call for less casual causal inferences.
* Specifying a target trial prevents immortal time bias and other self-inflicted injuries in observational analyses.
* Author response.
* Antiretroviral penetration into the CNS and incidence of AIDS-defining neurologic conditions.
* Identification, estimation and approximation of risk under interventions that depend on the natural value of treatment using observational data.
==外部链接==
==外部链接==