J'ai rejoint l'équipe Oncostat et le Bureau de Biostatistique et d'Epidémiologie (BBE, Gustave Roussy) en tant que biostatisticienne en juin 2019. Je suis également chercheuse honoraire associée à l'Imperial College London.
Entre Septembre 2016 et Avril 2019, j'ai travaillé en tant que postdoctorante en biostatistique et épidémiologie computationnelle à l'Imperial College London, School of Public Health. Avant de rejoindre l'Imperial College, j'ai obtenu un doctorat en Biostatistique de l'Ecole Doctorale de Santé Publique (EDSP) de l'Université Paris-Saclay, intitulé "Modélisation conjointe de trajectoire socio-professionnelle individuelle et de la survie globale ou spécifique".
Mon expérience porte sur les données de survie et les données longitudinales ainsi que leur analyse conjointe. Durant mon postdoct je me suis concentrée sur le développement et l'application de modèles statistiques pour analyser les données OMICs. De ma participation à deux études financées par la Commission européenne (projets EXPOsOMICS et LIFEPATH) et à un projet financé par le CRUK (Mechanomics, investigation des mécanismes moléculaires impliqués dans le cancer du poumon induit par le tabagisme), j'ai acquis une vaste expérience dans l'analyse des données génétiques, épigénétiques, transcriptomiques, protéomiques et métabolomiques.
En tant que biostatisticienne et épidémiologiste, mes principaux sujets de recherche porte sur le développement et l'application des nouvelles méthodes statistiques et d'apprentissage automatique pour aux essais cliniques sur le cancer, aux études épidémiologiques et à la santé publique.
De plus, j'ai développé un nouvel algorithme d’appariement des bases de données hospitalières aux données de mortalité de l'INSEE afin de trouver le statut vital des patients (https://github.com/Oncostat/INSEE_DC).
Je participe actuellement aux analyses méthodologiques de la cohorte COBLAnCE qui vise à étudier les mécanismes par lesquels des facteurs génétiques et environnementaux peuvent influencer le pronostique du cancer de la vessie.
Liste complète des publications : https://publicationslist.org/maryam.karimi
I joined the Oncostat team and the Department of Biostatistics and Epidemiology (BBE), Gustave Roussy as a biostatistician in June 2019. I am also an Honorary Research Associate at Imperial College London.
Between September 2016 and April 2019, I worked as a postdoctoral Research Associate in Biostatistics and Computational Epidemiology at Imperial College London, School of Public Health. Prior to joining Imperial College, I was awarded a Ph.D. in Biostatistics from the Doctoral School of Public Health (EDSP) at the University of Paris-Saclay, entitled "Joint modeling of individual socio-professional trajectory and overall or cause-specific survival".
While my background is in survival and longitudinal data and their joint modeling analysis, my post-doctoral experience focused on the development and application of statistical models to analyze OMICs data. From my involvement in two studies funded by the European Commission (EXPOsOMICS and LIFEPATH projects) and one project funded by the CRUK (Mechanomics, investigating molecular mechanisms involved in smoking-induced lung cancer), I gained extensive experience in the analysis of genetic, epigenetic, transcriptomic, proteomic and metabolomic profiles.
As a biostatistician and epidemiologist, my main research interests are the development and application of new and classical statistical and machine learning methods for problems arising in cancer trials, epidemiological studies, and public health.
Additionally, I developed a new record linkage algorithm to link the hospital database with INSEE mortality data in order to find patients’ vital status (https://github.com/Oncostat/INSEE_DC).
I am currently involved in the methodological analyses of the COBLAnCE cohort which aims to investigate the mechanisms through which genetic and environmental factors may influence the prognosis of bladder cancer.
Full list of publications: https://publicationslist.org/maryam.karimi
Gustave Roussy
