Li Yin

Li Yin

Statistiker
E-postadress: li.yin@ki.se
Telefon: +46852486187
Besöksadress: Nobels väg 12a, 17165 Solna
Postadress: C8 Medicinsk epidemiologi och biostatistik, C8 Applied Biostatistics ABS, 171 77 Stockholm
Del av:

Om mig

  • Jag arbetar som statistiker på Institutionen för Medicinsk Epidemiologi och
    Biostatistik.
    1982 BSc i Kemi från Sichuan Universitet, Chengdu, Kina.
    1989 PhD i KvantKemi från Uppsala Universitet
    1992 Postdoktor i kvantkemi, University of Minnesota, USA

Forskningsbeskrivning

  • *UPPSKATTNING AV KAUSALA EFFEKTER FRÅN KOMPLEX LONGITUDINAL DATA -- UTMANING
    OCH GENOMBROTT*
    I många sammanhang inom såväl ekonomi som medicin vidtas åtgärder
    sekventiellt
  • behandlingar och ingripanden utförs inte endast en gång.
    Statistiskt bör vi därför analysera kausala effekter av
    behandlingssekvenser, inte bara en enda behandling.
    *Kausala effekter *
    *Nettoeffekten *är effekten av behandling utan inblandning från de
    efterföljande behandlingarna. Den har följande medicinska betydelse
    * Nettoeffekten skiljer de långsiktiga effekterna av tidigare behandlingar
    från kortsiktiga effekterna av senare behandlingar, tex på patientens
    överlevnadschanser.
    * Nettoeffekten tillåter oss att hitta optimerad behandling
  • givet ett
    visst tillstånd hos patienten, exempelvis ålder och prognosfaktor, kan
    man veta vilken behandling som skulle vara optimal.
    * Nettoeffekten* *hjälper oss att förstå vilka andra faktorer som är
    relevanta för utfall, exempelvis socioekonomiska faktorer såsom
    inkomst.* *
    *Sekventiella kausala effekten* är den totala effekten av en
    behandlingsplan, tex på patientens överlevnadschanser givet det initiala
    tillståndet hos en patient och har följande* *medicinska betydelse
    * Sekventiella kausala effekten jämför effekterna av olika
    behandlingsplaner.
    * Sekventiella kausala effekten kan ge en optimerad behandlingsplan för en
    subpopulation. En subpopulation kan till exempel vara yngre patienter.
    * Sekventiella kausala effekten kan ge en optimerad behandlingsplan för
    hela patientpopulationen.
    *Uppskatta och hypotestesta kausala effekter *
    Den välkända G-formeln är en matematisk formel som används för att
    identifierar kausala effekter från kliniska data. Men i denna formel är de
    prognostiska faktorerna och biverkningar både resultaten från dem tidigare
    behandlingarna och störfaktorer i de senare behandlingarna. Så vi har
    följande problem: en (ibland oändligt) högdimensionell, mättad statistisk
    modell för alla dessa faktorer behövs och därför är det extremt svårt
    att uppskatta och testa kausala effekter.
    I vårt arbete (visas i Annals of Statistics [1]), har vi härlett den nya
    G-formeln som också identifierar kausala effekter från kliniska data. I den
    nya G-formeln är prognostiska faktorer och biverkningar endast störfaktorer
    i efterföljande behandlingar. Vi behöver därmed endast arbeta med en
    lågdimensionell, omättad statistisk modell.
    *Referenser*
    Wang, X. and *Yin, L.* (2019). New G-Formula for the Sequential Causal Effect
    and Blip Effect of Treatment in Sequential Causal Inference. Visas i *Annals
    of Statistics*. [2]
    Wang, X. and *Yin, L.* (2015). Identifying and Estimating Net Effects of
    Treatments in Sequential Causal Inference. *Electronic Journal of
    Statistics*, 9: 1608–1643 [3]
    [1] http://hig.diva-portal.org/smash/get/diva2:1294432/FULLTEXT01.pdf
    [2] http://hig.diva-portal.org/smash/get/diva2:1294432/FULLTEXT01.pdf
    [3] https://projecteuclid.org/download/pdfview_1/euclid.ejs/1438883470

Artiklar

Alla övriga publikationer

Anställningar

  • Statistiker, Medicinsk epidemiologi och biostatistik, Karolinska Institutet, 2014-

Handledare

  • Yun Du, Ph.D., Karolinska Institute, Sweden, 2023

Nyheter från KI

Kalenderhändelser från KI