Universitair docent
Dr. M.R. (Marcel) Haas
Specialismen:
Data science in population health
Data science in population health
Even voorstellen
Ik werk op de Health Campus Den Haag. In ons trans-disciplinaire team wordt onderzoek gedaan naar Population Health Management, een vakgebied waarin gezondheid en de culturele, maatschappelijke en sociale situatie als één geheel worden bekeken. Mijn rol hierin ligt aan de kant van data en kwantitatieve analyse (data science, machine learning etc.). We gebruiken onze ELAN data-infrastructuur waar data van veel verschillende bronnen (CBS voor demografische gegevens, huisartsen, ziekenhuizen, GGD, GGZ, Gemeente voor WMO/WLZ/Jeugdzorg en meer) op het individuele niveau worden gekoppeld. Ik ben actief om onze Science meer Open te maken en onze data meer FAIR.
Ik heb een achtergrond in de sterrenkunde, heb daar mijn PhD en drie jaar postdoc in gedaan en heb tien jaar in de data science in het bedrijfsleven gewerkt. Daarnaast ben ik biersommelier.
Ik heb een achtergrond in de sterrenkunde, heb daar mijn PhD en drie jaar postdoc in gedaan en heb tien jaar in de data science in het bedrijfsleven gewerkt. Daarnaast ben ik biersommelier.
Wetenschappelijk onderzoek
Voorbeelden van de lopende onderzoeken waarbij ik op het moment van schrijven betrokken ben:
- Generatie van synthetische data als “Privacy Enhancing Technology”: de data die wij op individueel niveau gebruiken is zeer gevoelig, wat veel complicaties met zich meebrengt. Door realisticshe, maar niet echte data te gebruiken kan onderzoek versneld worden, kunnne studenten met realistische data werken en kunnen we beter de principes van Open Science en FAIR data naleven.
- Voorspellende modellen voor de metabool syndroom populatie en voor de syndemische kwetsbaarheid en weerbaarheid van populaties op wijkniveau.
- Meta-analyse van gepubliceerde medische en educatieve analyses met geavanceerde statistiek en Large Language Models.
- Data Science voor Real World Evidence: hoe om te gaan met allerhande praktische problemen waar je tegenaan loopt bij het gebruik van “smerige” data die in praktische setting wordt verzameld, zoals routine zorgdata.
- Generatie van synthetische data als “Privacy Enhancing Technology”: de data die wij op individueel niveau gebruiken is zeer gevoelig, wat veel complicaties met zich meebrengt. Door realisticshe, maar niet echte data te gebruiken kan onderzoek versneld worden, kunnne studenten met realistische data werken en kunnen we beter de principes van Open Science en FAIR data naleven.
- Voorspellende modellen voor de metabool syndroom populatie en voor de syndemische kwetsbaarheid en weerbaarheid van populaties op wijkniveau.
- Meta-analyse van gepubliceerde medische en educatieve analyses met geavanceerde statistiek en Large Language Models.
- Data Science voor Real World Evidence: hoe om te gaan met allerhande praktische problemen waar je tegenaan loopt bij het gebruik van “smerige” data die in praktische setting wordt verzameld, zoals routine zorgdata.
