背景
生物统计学在理论和计算方法上的发展在科学研究中迅速增长。结合能够整理多维数据的健康信息学系统，研究人员现在比以往任何时候都拥有更复杂、更丰富的信息，以发现和发明新方法、工具、疗法和药物，为弱势群体提供支持。
近年来，生物统计学的发展包括用于实验室实验和随机试验的新设计方法、针对高维数据的小样本分析方法、具有层级结构的数据计算方法，以及系统生物学和精准医学的分析方法。这些发展还涉及使用贝叶斯推断将先验知识与当前证据相结合。
同时，信息学领域的最新进展包括健康信息学中的新型系统设计，用于数据集成和链接，从而实现跨系统的数据分析。例如，从健康、社会学、教育和法医学等多领域解决多层次因素相关的难题，尤其是针对难以接触或参与的群体（如经历自杀相关痛苦的人群、土著居民、LGBTQIA+群体、老年人）。生物技术的进步还帮助研究人员利用电子心理健康设备和移动应用程序进行敏感数据的收集和安全数据管理。
分子聚焦的生物信息学发展是精准精神病学的重要驱动力。生物信息学方法整合了基因组学和蛋白质组学等“组学”数据，用于诊断和治疗的分子标记物发现。人工智能和机器学习协助发现了数字生物标志物，并推动其发展。
这些研究方法中的数据管理应考虑伦理人工智能、算法偏差缓解、土著数据治理和敏感数据治理，尤其是在心理健康背景下。FAIR（可查找、可访问、可互操作、可重用）数据原则对敏感的心理健康数据和代表性不足的群体至关重要。
本研究主题汇集了利用和/或创建先进生物统计学方法的心理健康研究，涵盖观察性研究和随机对照试验，以及新颖的健康信息学和生物信息学方法。目的是鼓励更多利用先进生物统计学和信息学方法的心理健康研究，优化研究设计，简化招募流程，改进复杂设计的分析方法，寻找新的治疗方法，并支持临床决策。
主题编辑欢迎提交各种类型的文章，探索使用健康信息学和生物信息学的心理健康研究，重点但不限于以下内容：
- 来自卫生系统的数据集成和链接
- 心理健康相关的健康信息学系统设计与决策
- 信息学系统在横断面和纵向研究中的应用
- 精准医学中精神科药物的生物信息学方法
- 分子聚焦的生物信息学系统集成（包括与卫生系统的交叉集成）。
感兴趣的方法和模型包括：
- 高维数据分析方法，例如网络方法、主成分分析（PCA）、聚类方法和机器学习
- 复杂设计研究中的多层/分层模型（例如学校/病房/中心集群设计、组学、多阶段分层和集群设计）
- 心理健康研究中的高级生存分析（时间至事件分析）
- 心理健康研究中随机对照试验的创新设计或适应性设计
- 使用贝叶斯推断利用先验信息指导难以接触的参与者
- 新型统计方法或具有心理健康案例研究的新见解的统计方法
- 使用药物基因组学（PGx）为精神药物处方制定个性化剂量方案
- 大规模数据中的人工智能应用
- 缺失数据填补技术（例如纵向数据的多重填补）
- 数字生物标志物的验证方法和标准。
(全文结束)
