Jocelyn GAL
Biostatisticien
Méthodologiste
.png)
Département d'épidémiologie, de Biostatistiques et
des Données de Santé
Qui suis-je?
Depuis 2009, je suis biostatisticien au centre de lutte contre le cancer Antoine Lacassagne au sein du département d’épidémiologie, biostatistique et données de la santé.
Le 28 Novembre 2019, j’ai soutenu ma thèse sur l’ « Application d’algorithmes de machine learning pour l’exploitation de données omiques en oncologie » dans l’Unité de Pharmacogénétique et radiogénétique des cancers (UPRC) EA7497 du Dr Gérard Milano sous la direction du Dr Emmanuel Chamorey.
Mon domaine de recherche est la méthodologie en recherche clinique et les analyses statistiques de données de santé.
Mes travaux concernent les méthodes de machine learning et plus particulièrement les algorithmes non supervisés appliquées aux données omiques
Liste complète des encadrements
Nom du stagiaire : VAISSIERE MARINE - Année du stage : 2020 - Durée du stage : 7 mois - Niveau : Master 2
Titre du stage : Évaluation des performances de méthodes de clustering sur des jeux de données biologiques omiques
Nom du stagiaire :NABIL INES - Année du stage : 2019 - Durée du stage : 4 mois - Niveau : Licence 3
Titre du stage : Interfacage d’une plateforme de santé & analyse statistique d’une étude clinique
Nom du stagiaire : FALCOZ ANTOINE - Année du stage : 2018 - Durée du stage : 6 mois - Niveau : Master 2
Titre du stage : Méthodes biostatistiques appliquées à la recherche clinique en cancérologie
Mes dernières publications
1. Gal J, Milano G, Brest P et al. VEGF-Related Germinal Polymorphisms May Identify a Subgroup of Breast Cancer Patients with Favorable Outcome under Bevacizumab-Based Therapy-A Message from COMET, a French Unicancer Multicentric Study. Pharmaceuticals (Basel) 2020; 13.
2. Gal J, Bailleux C, Chardin D et al. Comparison of unsupervised machine-learning methods to identify metabolomic signatures in patients with localized breast cancer. Comput Struct Biotechnol J 2020; 18: 1509-1524.
3. Gilhodes J, Dalenc F, Gal J et al. Comparison of Variable Selection Methods for Time-to-Event Data in High-Dimensional Settings. Comput Math Methods Med 2020; 2020: 6795392.
4. Refae S, Gal J, Ebran N et al. Germinal Immunogenetics predict treatment outcome for PD-1/PD-L1 checkpoint inhibitors. Invest New Drugs 2020; 38: 160-171.
