Daniel J. McDonald a obtenu ses diplômes de premier cycle en 2006 à l’Université de l’Indiana : une licence en économie (summa cum laude) et une licence en musique (interprétation au violoncelle) et en mathématiques (magna cum laude). Il a obtenu sa maîtrise (2008) et son doctorat (2012) en statistique à l’Université Carnegie Mellon. Il est retourné à l'Université de l'Indiana pour débuter sa carrière universitaire, puis a rejoint l'Université de la Colombie-Britannique (UBC) en 2020, où il est aujourd'hui professeur de statistique.

En 2012, des professeurs du Département de statistique et d'apprentissage automatique de l'université Carnegie Mellon ont fondé le groupe de recherche Delphi afin de développer la théorie et la pratique de la détection, du suivi et de la prévision des épidémies, en mettant l'accent sur les virus respiratoires. Avec l'apparition de la pandémie de COVID-19 début 2020, de nombreux scientifiques à travers le monde ont réorienté leurs travaux pour aider les agences de santé publique, et Daniel, parmi d'autres, a rejoint le groupe Delphi afin d'accélérer le développement et la validation de modèles et de prévisions liés à la COVID, ainsi que l'extraction de signaux, la curation des données et l'automatisation des pipelines. Au cours des cinq années suivantes, Daniel a assumé des rôles de premier plan dans les opérations de prévision, le développement de logiciels et la direction scientifique générale. Il a été le principal développeur du package R « epipredict » destiné à la construction de modèles de prévision modulaires et en assure toujours la maintenance. Il a également contribué au développement de la plateforme Epidata de Delphi, qui fournit des milliers de signaux en temps réel, tenant compte des versions, liés aux maladies, avec la granularité géographique, démographique et temporelle la plus fine possible.

Le prix Lise Manchester récompense des réalisations en matière de recherche qui sont « susceptibles d’orienter l’élaboration de politiques publiques dans un contexte canadien ». Dans ce cas précis, les travaux de Daniel au sein du groupe Delphi ont servi de tremplin à des efforts connexes de prévision épidémiologique au Canada, d’abord avec le BC COVID-19 Modelling Group, puis avec des équipes du CDC de la Colombie-Britannique. Le BC COVID-19 Modelling Group, dirigé par Sally Otto (UBC, CRC de niveau 1 en évolution théorique et expérimentale), Dan Coombs (Département de mathématiques, Institut de mathématiques appliquées) et Caroline Colijn (CRC de niveau 1 en modélisation mathématique de l’évolution des agents pathogènes et santé publique), a produit un certain nombre de rapports publics destinés aux médias et au BCCDC, auxquels Daniel a contribué par ses analyses statistiques et ses interprétations. Plusieurs de ses étudiants diplômés de l’UBC ont travaillé sur des projets Delphi qui ont été bénéfiques pour le Canada : Rachel Lobay sur la reconstitution des infections latentes à partir des données de séroprévalence et des eaux usées ; Jiaping Liu sur l’estimation en temps réel du taux de reproduction effectif à l’aide de la déconvolution ; Sarah Masri sur la mise en relation des modèles compartimentaux épidémiques et des processus de Hawkes ; et Christine Chuong sur la gestion des données de SSDVR de l’ASPC et la mise en place d’un centre de prévision respiratoire pour le Canada. Christine continue de collaborer avec le BCCDC pour développer des outils de prévision au niveau des établissements pour différents syndromes, en vue de la Coupe du monde de la FIFA qui se tiendra cet été.

Le programme de recherche de Daniel continue de s'intéresser aux problèmes liés à l'estimation de l'ampleur et de l'évolution d'une épidémie, en s'appuyant sur des travaux antérieurs qui ont évalué l'utilisation de signaux auxiliaires pour la prévision (PNAS, 2021) et sur des méthodes permettant d'estimer de manière continue des paramètres épidémiologiques variables dans le temps (JSS, 2024). Par exemple, la thèse de doctorat de Rachel Lobay, étudiante de Daniel, développe et applique une méthodologie d'estimation rétrospective des infections latentes à la COVID, fournissant ainsi un aperçu de la dynamique de la maladie. Ses travaux, publiés en 2025 et 2026 dans Epidemics, proposent une méthodologie pour pallier la sous-déclaration des cas de COVID et exploitent les informations issues des données de surveillance de la séroprévalence et des mesures des eaux usées.

Les travaux actuels de Daniel s'appuient sur ces efforts, en associant des modèles de séries chronologiques et la régression non paramétrique, notamment dans le cadre de l'estimation de paramètres latents à partir de données épidémiologiques.