DataSHIELD advances: Transformative Extensions for Privacy-Preserving Big Data Analysis in Health and Biosciences
En una era on la privacitat de les dades és crucial, dur a terme anàlisis de dades reproduïbles i segures en un context col·laboratiu entre diversos centres de recerca és una tasca complexa. Amb la creixent rellevància de diversos tipus de dades altament sensibles com clíniques, epidemiològiques o ò...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2024 |
| País: | España |
| Institución: | CBUC, CESCA |
| Repositorio: | TDR. Tesis Doctorales en Red |
| OAI Identifier: | oai:www.tdx.cat:10803/691737 |
| Acceso en línea: | http://hdl.handle.net/10803/691737 |
| Access Level: | acceso abierto |
| Palabra clave: | Dades federades Federated data Datos federados Tecnologies 004 |
| Sumario: | En una era on la privacitat de les dades és crucial, dur a terme anàlisis de dades reproduïbles i segures en un context col·laboratiu entre diversos centres de recerca és una tasca complexa. Amb la creixent rellevància de diversos tipus de dades altament sensibles com clíniques, epidemiològiques o òmiques (genòmiques, transcriptòmiques, exposòmiques, ...), la necessitat de recerca a través de l'anàlisi federada s'ha convertit en una necessitat crítica, especialment degut a la naturalesa sensible de les dades implicades, el que planteja preocupacions significatives sobre la privacitat i l'ètica. Per abordar aquest problema, aquesta tesi doctoral té com a objectiu ampliar les capacitats de DataSHIELD, una plataforma d'anàlisi federada. Aquesta tesi doctoral proporciona mètodes avançats i eines com ShinyDataSHIELD, resources, OmicSHIELD i dsExposome, amb l'objectiu de fer que DataSHIELD sigui més rellevant, afegint característiques per gestionar una gamma més amplia de tipus de dades i garantir l'adaptabilitat i escalabilitat de la plataforma per al futur. La metodologia adoptada implica una sèrie de desenvolupaments de programari, estudis de cas i aplicacions amb dades reals. S'han utilitzat anàlisis comparatius per establir l'eficàcia de les noves eines i mètodes creats. A més, tècniques com l'anàlisi agrupada i la privacitat diferencial s'han integrat en les capacitats de DataSHIELD. Aquesta tesi doctoral ha aconseguit els objectius ampliant les capacitats de DataSHIELD per abordar les necessitats existents en estudis de múltiples cohorts. La interfície ShinyDataSHIELD fomenta una experiència d'usuari més agradable i accessible tant per a investigadors novells com experimentats. El concepte de resources és l'eina seminal per treballar amb conjunts de dades en diferents formats, expandint així l'aplicabilitat de DataSHIELD a la recerca multimodal. OmicSHIELD ofereix un conjunt robust d'eines per analitzar dades òmiques, mentre que dsExposome proporciona característiques especialitzades per a l'anàlisi de dades de l'exposoma. Totes dues addicions operen de manera federada mentre preserven la privacitat dels individus. Tots els objectius assolits en aquesta tesi doctoral estan adjunts a un projecte europeu (ATHLETE), que va requerir tots els desenvolupaments per al WP3, que està dedicat a les eines per a l'anàlisi de dades federades. A més, l'estudi aborda reptes relacionats amb la privacitat de les dades i les col·laboracions entre centres. La plataforma pot gestionar efectivament conjunts de dades més grans i dur a terme anàlisis complexes sense comprometre la privacitat de les dades. Aquesta adaptabilitat obre el camí per a futures aplicacions de DataSHIELD en altres camps de recerca, com ara la neuroimatge i la intel·ligència artificial. En conclusió, les noves eines i característiques milloren significativament la capacitat, escalabilitat i adaptabilitat de DataSHIELD. Aquestes millores acceleraran l'adopció de mètodes d'anàlisi de dades federada en estudis multicèntrics, avançant així la recerca mentre es manté rigorosament la privacitat de les dades. Notablement, DataSHIELD també contribueix a objectius més amplis de reproductibilitat i transparència en la recerca científica permetent que els resultats siguin fàcilment verificables sense la necessitat de compartir dades, superant així les barreres tradicionals en la recerca col·laborativa. El treball presentat en aquesta tesi doctoral serveix com un avanç crític en l'anàlisi de dades federada, cobrint els buits entre la privacitat de les dades, la reproductibilitat i la recerca col·laborativa en biomedicina. |
|---|