米盖尔·赫尔南 Miguel Hernán
米盖尔·赫尔南 Miguel Hernán是一名西班牙裔美国籍流行病学家。他是哈佛大学陈曾熙公共卫生学院生物统计和流行病学系的因果实验室的主任和科隆科特隆斯校级教授，并且是哈佛-麻省理工健康科学与技术项目的成员。他是流行病学和生物统计学系的教授，指导了超过25名博士生和博士后研究员。
Hernán进行了对学习如何改善人类健康的研究。他还与来自几个国家的合作者共同参与，设计了医疗保健数据库的分析、流行病学的研究与随机对照实验项目。他还是一名全球高引用学者[1]，Web of Science 极高的引用了他的研究。他的免费课程《图解因果》[2]已经有超过50000人进行了注册。他与詹姆斯罗宾斯合著的关于因果推理的著作：What if [3]可以在网上免费获取，并且被广泛用于对研究人员的培训。
Hernán是流行病学期刊的名誉编辑，此前曾为生物统计学期刊，美国流行病学杂志和美国统计协会杂志的副编辑。他还是一名美国食品与药物管理署的特殊政府雇员，并在美国国家科学院、国家工程院、国家医学院担任要职。他的主要教学方向关注如何生成、分析、并且解释指导公共健康政策和临床决策的数据。主要在哈佛大学陈曾熙公共卫生学院教授因果推理方法论，以及在哈佛麻省理工健身科学与技术研究所教授临床流行病学。学术上对大数据与公共健康等课题颇有研究。
Hernán主要致力于提高人类健康水平的工作，他与合作者一道设计分析了健康数据库、传染病研究及随机实验。他们一行生成数据并对其分析了，该研究将用于识别针对传染性疾病与非传染性疾病的治疗和预防的更好的治疗措施。首先Hernán作为HIV-CAUSAL合作项目的项目代表，这项研究是跨越欧洲到美国的一项前瞻性研究，他们团队将进行HIV患者治疗的疗效比较研究；其次，他又作为早期精神疾病中心实验室的副主任，这是一项与麦克林医院及马萨诸诺综合医院合作开展的项目，其目标旨在更好的了解首次发作期患者的临床过程和健康护理；最后，他也是VA-CAUSAL核心方法的联合负责人，这是一项与退伍军人健康管理局合作的因果研究倡议，旨在将退伍军人健康管理局转变为一个学习型的健康体系，加速这个研究的转化过程，使其真正的用于实际和决策支持，服务并病患、临床医生及其他利益相关者。
研究内容
方法论研究
Hernán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
- 医学学士，1995，西班牙马德里自治大学
- 公共卫生硕士(定量方法) ，1996，美国哈佛大学
- 理学硕士(生物统计学) ，1999，美国哈佛大学
- 公共卫生博士(流行病学) ，1999，美国哈佛大学
荣誉和奖励
个人荣誉
- 会员，La Caixa 基金会，1995-1997
- 会员，美国美国科学进步协会协会(AAAS) ，2012年当选
- 优异奖，美国国家过敏与传染病研究所，美国国立卫生研究院，2018年
- 会员，美国统计协会，2019年当选
学术文献
- 最佳研究报告亚军，纽约市卫生部健康研究培训项目，1994年
- Kenneth Rothman 流行病学奖，流行病学杂志，2005年(第一作者) ，2021年(合著者)
- 年度十大文章，美国流行病学杂志，2014年，2015年,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
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，以便决策。
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。
在启动仪式中，赫恩将 CAUSALab 描述为“一个学习如何工作的中心”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
- "Harvard Faculty Website, Miguel Hernán". harvard.edu. Retrieved May 1, 2017.
- "Google Scholar, Miguel Hernán". Google Scholar. Retrieved April 25, 2020.
参考文献
编者推荐
集智俱乐部读书会推荐
因果推理与机器学习读书会
大数据时代的下一场变革——因果革命正在酝酿之中，通过融合因果推理和机器学习而构建出来的Causal AI系统，有望奠定强人工智能的基石。集智俱乐部联合北京智源人工智能研究院，邀请了一批对因果科学与Casual AI感兴趣的研究者，开展为期2-3个月的系列线上读书会，研读经典和前沿论文，并尝试集体撰写一部书籍。
集智课程推荐
社交网络中的因果推断
本课程中，将简要介绍一些基本的因果推断策略，并聚焦社会网络分析中的因果推断问题，涉及社会网络实验设计、固定样本、工具变量和敏感度分析等。
基于地球科学系统的因果推断
本课程来自复杂系统自动建模读书会第11期，由黄玉、王硕和胡国辉带来与地球科学系统相关的论文讲解。
书籍推荐
因果推断领域新书（附PDF）：Causal Inference: What If | 集智俱乐部
在2020年末，由哈佛大学公共卫生学院的 Miguel Hernan 与 Jamie Robins 教授合作完成的因果推断领域的新书 Causal Inference: What If，更是详细全面地阐述了因果推断领域的基本概念与背后的理论基础。可以通过该链接扫码下载
文章总结
因果推断：如果_完整版_2021.04.22.pdf (strikinglycdn.com)
本书由芝加哥大学研究院罗家俊博士翻译为中文，可供参考
相关路径
- 因果科学与Casual AI读书会必读参考文献列表：这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
- 因果科学和 Causal AI入门路径：这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
本中文词条由因果科学读书会词条梳理志愿者我是猫（74989）翻译审校、薄荷编辑，欢迎在讨论页面留言。
本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。