布里格姆妇女医院是一家位于波士顿的医院,专门从事妇产科和妇女健康领域的研究和治疗。该医院是哈佛医学院的附属医院之一,医疗技术和医学研究方面都拥有很高的声誉。
想要出国访问学习的小伙伴看过来啦,布里格姆妇女医院药物流行病学和药学经济学或相关领域正在招收访问学者、博士后!51访学网小编每周定时更新最新的访学招聘信息,感谢关注51访学。
职位描述
布里格姆妇女医院医学院和哈佛医学院的药物流行病学和药学经济学部正在接受以应用和方法为重点的药物流行病学访问学者/博士后研究员的申请。
该部门包括26名教师和80名工作人员,他们密切合作,研究我们如何有效使用药物和改善健康。我们是一个世界领先的跨学科研究中心,汇集了医学、流行病学、生物统计学、卫生服务研究、法律、监管和社会科学的各个专业,以评估处方药与其风险和成本的关系的有效性;研究药物的处方和使用方式;开发优化处方药使用的方法;了解药物在营销后是如何获得批准和监管的。该部门是各种学科领域和方法研究的研究生和研究员的一流的培训场所。
我们正在寻找有上进心、勤奋和独立的研究员,在以下领域与部门教师合作(完整描述和应用):
•通过应用和推进尖端方法,回答高影响力的问题,为老年药流行病学药物的比较有效性和安全性的临床决策提供信息:
与作为老年药典流行病学领域领导者的部门教师密切合作。在这一领域工作的研究员将利用现实世界数据回答关于处方和处方高效(如抗凝血剂)和/或潜在不适当的药物(如抗精神病药物或苯二氮卓类药物)及其在老年人中的比较有效性和安全性的关键临床问题,包括与电子健康记录(包括结构化的EHR和免费文本笔记和报告)相关的行政声明,以及各种临床评估文件(如最低数据集[MDS]、结果和评估信息集[OASIS]、住院康复设施患者评估工具[IRF-PAI]),并有机会领导几个NIH资助的大型研究项目。
理想的候选人将是团队合作者,拥有流行病学、老龄化研究或临床老年病学博士学位。
•通过应用和推进尖端方法,回答高影响力的问题,为临床决策提供关于心代谢和肾脏疾病中药物的比较有效性和安全性的临床决策:
该领域工作的研究员将与心血管和肾脏疾病药物流行病学领导者的教师密切合作,利用现实世界的数据,包括行政声明、电子健康记录和临床登记(PROMISE计划)回答有关药物使用及其比较有效性和安全的关键临床问题。研究员将有机会领导几项重要的研究。
理想的候选人将是团队合作者,拥有药物流行病学博士学位,最好是临床背景,或结合药物流行病学/流行病学培训的医学学位。
•开发和实施尖端方法来弥合随机临床试验(RCT)和现实世界证据(RWE)之间的差距:
RCT和RWE是关于医疗产品的好处和安全的证据生成的关键和互补来源。在该领域工作的研究员将参与几个相互关联的项目,这些项目将利用个人级别的RCT数据来探索这种互补性,并预计将探索和测试分析RCT和现实世界数据的新型分析方法。该领域的研究员将有机会利用RCT-DUPLICATE大量试验模拟样本的基础设施来开发和测试旨在了解和校准RCT和数据库研究结果的方法,例如元回归技术,以检查替代方法对一致性的影响。
需要统计建模和编程方面的培训和经验。在开发预测模型、模型验证和校准方法、估算方法、蒙特卡洛模拟和机器学习算法方面的经验是非常可取的。
•进行有影响力的儿科现实世界证据研究,以推进儿科护理并告知儿童药物监管:
门诊环境中高达50%的药物和住院环境中80%的药物在儿科患者中用于非标签使用。人们越来越有兴趣评估现实世界证据研究的适用性,以形成以前在成人患者中批准的用于儿科患者的药物的补充监管批准的基础。该研究员将使用大型索赔和电子健康记录数据源进行药物安全和有效性的儿科药物流行病学研究,并研究它如何影响儿童药物监管。
理想的候选人将拥有博士学位、药物流行病学培训和经验。该研究员将在具有药典流行病学和儿科专业知识的部门教师的监督下,并与哈佛-麻省理工学院监管科学中心合作工作。
•评估怀孕期间药物使用的安全性,主要使用嵌套在大型医疗保健利用数据库中的怀孕队列。
在该领域工作的研究员将与哈佛围产期和儿科药物流行病学(H4P)的教师和其他成员密切合作。研究员将有机会领导NIH资助的研究,解决多个临床领域(如精神病学、神经学、传染病)与怀孕期间药物安全有关的关键问题。此外,研究员将能够为以方法为导向的项目做出贡献,探索使用尖端流行病学和统计方法来改善该领域的因果推理。
除了对围产期(制药)流行病学有浓厚的兴趣外,理想的候选人还拥有药物流行病学/流行病学博士学位,最好是临床背景,或结合药物流行病学/流行病学培训的医学学位。
•结合人工智能和因果推理:
大型语言模型为有效理解包括免费文本笔记在内的医疗记录内容带来了巨大的希望。使用LLM和可扩展的NLP方法来改善对评估药物使用和健康结果之间因果关系的关键变量的测量可能会改变游戏规则。一群具有生物医学信息学、流行病学方法和因果推理背景的教师利用EHR数据开发了一个积极的研究管道,EHR+声称链接的数据与GPU集群相结合。
理想的候选人将具有生物医学信息学和分析EHR数据的背景。