Jamesjin63

The World Within Data

Jin-xin Zheng est docteur à l’Institut national des maladies parasitaires du Centre chinois de contrôle et de prévention des maladies. Il a obtenu son diplôme de licence à l’Université de médecine d’Anhui en 2015, a suivi un programme de maîtrise d’un an à l’Université de médecine de Nankin, et a rejoint l’Institut des maladies parasitaires du Jiangsu en 2016 pour compléter son master. Il possède trois années d’expérience en santé publique, se spécialisant en biostatistiques et méthodes de modélisation des maladies infectieuses. Ses recherches sont axées sur les problématiques de santé globale « One Health », utilisant des algorithmes d’apprentissage machine et une modélisation écologique pour explorer les maladies infectieuses (COVID-19, paludisme, dengue, schistosomiase, douve du foie) et non transmissibles. Il a également collaboré avec des cliniciens sur la mise en place d’essais et l’analyse de données en appliquant des méthodes d’apprentissage machine à la recherche clinique. Passionné par les outils statistiques R et Python pour l’analyse et la visualisation de données médicales.

Programmes

  • participé au projet du Centre de recherches pour le développement international (CRDI) sur la modélisation des maladies en Asie du Sud.
  • notamment contribué au projet de lutte et d’élimination des zoonoses helminthiques dans la sous-région du Grand Mékong, en se concentrant principalement sur la collecte de données et la conception de modèles pour tester les zones à risque de maladies parasitaires.

Formation

Juillet 2021- Aujourd’hui Post-doctorat Hôpital Ruijin - École de médecine de l’université Jiao Tong de Shanghai

Septembre 2018 - Juillet 2021 Doctorat en épidémiologie et biostatistiques Institut national des maladies parasitaires, Centre chinois de contrôle et de prévention des maladies, République Populaire de China

Juillet 2016 - Juillet 2018 Études de master École : Institut des maladies parasitaires du Jiangsu. Wuxi, China.

Septembre 2015 - Juillet 2016 Études de master École : Université de médecine de Nankin. Nankin, China.

Septembre 2010-Juillet 2015 Licence École : Université de médecine d’Anhui. Hefei, China.

Expérience

Apprentissage automatique en parasitologie :

  • Utilisation de méthodes de revue systématique pour résumer les maladies parasitaires, dont la schistosomiase, la douve du foie et le paludisme. Utilisation d’approches spatiales (apprentissage automatique) pour étudier les schémas de distribution de la maladie entre l’environnement et les caractéristiques écologiques de la transmission et de la dissémination des maladies, etc.

Apprentissage automatique pour le cancer :

  • Utilisation d’informations cliniques, de variables de méthylation de l’ADN et d’expression des gènes pour évaluer le pronostic des maladies. Nous avons fourni une solution de modélisation (méthodes d’apprentissage automatique et statistiques pour les biomarqueurs et leurs termes d’interaction) pour prédire l’évolution du cancer du poumon, de la thyroïde et le pronostic avec une MRC.

Fardeau mondial des maladies :

  • Étude la plus complète au monde - analysant 286 causes de décès, 369 maladies et lésions, et 87 facteurs de risque dans 204 pays et territoires - révèle comment la population mondiale était touchée par ces schémas de maladie. Utilisation de l’analyse et de la visualisation des données pour décrire ces tendances dans le monde entier et découverte de résultats intéressants.

Modélisation des maladies infectieuses :

  • Nous utilisons des méthodes de modélisation pour étudier les maladies infectieuses comme le COVID-19, le Y. enterocolitis et l’infection par la dengue. Notre approche implique des modèles d’apprentissage automatique basés sur les données pour analyser les schémas de transmission des maladies dans différents scénarios.

Publications

  1. Zheng JX, Lv S, Tian LG, Guo ZY, Zheng PY, Chen YL, Guan SY, Wang WM, Zhang SX. The rapid and efficient strategy for SARS-CoV-2 Omicron transmission control: analysis of outbreaks at the city level. Infect Dis Poverty. 2022 Nov 24;11(1):114.
  2. Zhang D, Zheng JX. The Burden of Childhood Asthma by Age Group, 1990-2019: A Systematic Analysis of Global Burden of Disease 2019 Data. Front Pediatr. 2022 Feb 16;10:823399.
  3. Liu Y, Zheng JX, Hao J, Wang RR, Liu X, Gu P, Yu H, Yu Y, Wu C, Ou B, Peng Z. Global burden of primary liver cancer by five etiologies and global prediction by 2035 based on global burden of disease study 2019. Cancer Med. 2022 Mar;11(5):1310-1323.
  4. Li Y, Zheng JX, Deng Y, Deng X, Lou W, Wei B, Xiang D, Hu J, Zheng Y, Xu P, Yao J, Zhai Z, Zhou L, Yang S, Wu Y, Kang H, Dai Z. Global Burden of Female Breast Cancer: Age-Period-Cohort Analysis of Incidence Trends From 1990 to 2019 and Forecasts for 2035. Front Oncol. 2022 Jun 9;12:891824.
  5. Liu TX, Zheng JX, Chen Z, Zhang ZC, Li D, Shi LP. An interpretable machine-learning model for predicting the efficacy of nonsteroidal anti-inflammatory drugs for closing hemodynamically significant patent ductus arteriosus in preterm infants. Front Pediatr. 2023 Apr
  6. Hui-Hui Zhu, Ji-lei Huang , Chang-Hai Zhou , Ting-Jun Zhu , Zheng JX , Mi-Zhen Zhang , Men-Bao Qian ,Ying-Dan Chen ,Shi-zhu Li “Soil-transmitted helminthiasis in mainland China from 2016 to 2020: a population-based study.” The Lancet Regional Health–Western Pacific (2023).
  7. Zheng JX, Xia S, Lv S, Zhang Y, Bergquist R, Zhou XN. Infestation risk of the intermediate snail host of Schistosoma japonicum in the Yangtze River Basin: improved results by spatial reassessment and a random forest approach. Infect Dis Poverty. 2021 May 20;10(1):74.
  8. Zheng JX, Shi B, Xia S, Yang G, Zhou XN. Spatial patterns of Plasmodium vivax transmission explored by multivariate auto-regressive state-space modelling - A case study in Baoshan Prefecture in southern China. Geospat Health. 2021 Mar 12;16(1).
  9. Zhu J, Zheng JX, Li L, Huang R, Ren H, Wang D, Dai Z, Su X. Application of Machine Learning Algorithms to Predict Central Lymph Node Metastasis in T1-T2, Non-invasive, and Clinically Node Negative Papillary Thyroid Carcinoma. Front Med (Lausanne). 2021 Mar 9;8: 635771.
  10. Shi B, Zheng JX, Xia S, Lin S, Wang X, Liu Y, Zhou XN, Liu J. Accessing the syndemic of COVID-19 and malaria intervention in Africa. Infect Dis Poverty. 2021 Jan 7;10(1):5.
  11. Tian N, Zheng JX, Guo ZY, Li LH, Xia S, Lv S, Zhou XN. Dengue Incidence Trends and Its Burden in Major Endemic Regions from 1990 to 2019. Trop Med Infect Dis. 2022 Aug 12;7(8):180.
  12. Yue Y, Zheng JX, Sheng M, Liu X, Hao Q, Zhang S, Xu S, Liu Z, Hou X, Jing H, Liu Y, Zhou X, Li Z. Public health implications of Yersinia enterocolitica investigation: an ecological modeling and molecular epidemiology study. Infect Dis Poverty. 2023 Apr 21;12(1):41.

Internships

  • OMS Pacifique occidental | Organisation mondiale de la Santé**[2019/09 - 2019/12]**

En tant que stagiaire dans le groupe des MTN, manipulation et collecte de données pour la modélisation, la surveillance et la cartographie des MTN. Travail sur les maladies tropicales négligées, dont plusieurs maladies parasitaires, et utilisation des données rapportées par l’OMS pour créer des cartes de risque et des prévisions pour la schistosomiase et la douve du foie.

Expertise

  • Compétences Biologie computationnelle

  • Apprentissage automatique et interprétabilité des décisions

  • Visualisation de données

  • Géographie et cartographie

Programmes in Shiny

comments powered by Disqus
avatar

流行病, 临床统计,数据科学,机器学习, R语言

FEATURED TAGS
cox-model despacito git hugo life sea study 人工智能
FRIENDS