Kurz biostatistiky pro lékaře a PhD studenty v biomedicínských oborech se zaměřením na kardiovaskulární problematiku (B90211) je určen lékařům, doktorandům i všem pracovníkům, kteří mají zájem o moderní přístupy v biomedicínské statistice.
Koordinátor kurzu: doc. MUDr. Štěpán Havránek, Ph.D.
Přednášející:
II. interní klinika kardiologie a angiologie 1. LF UK a VFN
MUDr. Josef Marek
prof. MUDr. Aleš Linhart, DrSc.
MUDr. Jan Kuchař
Fakulta elektrotechnická ČVUT
Ing. Michal Huptych, Ph.D.
Kurz proběhne v termínu od 24. do 26. 3. 2021 od 13.00 do 16.00 hod. na II. interní klinice 1. LF UK a VFN, U Nemocnice 2, Praha 2.
V případě nepříznivé epidemiologické situace se kurz uskuteční distančně.
Na kurz se přihlašujte u paní Kateřiny Novotné: @email
Anotace
V rámci kurzu budou probrány jednak základní statistické postupy, ale dále i nové přístupy v biomedicínské statistice a směry, kam se současná práce s daty ubírá. Prezentována budou témata jako strojové učení (machine learning, artificial intelligence), bayesovský obrat a komplexita. Vysvětleny budou podstaty postupů. Principy umělých neuronových sítí, support vector machines, decision trees a random forrests. Metody unsupervised learning, zejména shlukovou analýzu a metodu hlavních komponent. Bayesovské sítě, které představují universální framework pro získávání informací z dat a elegantně propojují komplexní sítě s bayesovskou inferencí a strojovým učením.
Počítáme s praktickými ukázkami metod. Probrány budou i otázky interpretace klinických studií, metody užité v klinických studiích. Otázky strategie plánování výzkumných projektů.
Programová náplň
Základní statistické pojmy používané v klinickém výzkumu, jejich praktickou aplikaci, rizika nesprávného použití či interpretace, vztah jednotlivých designů studií ke statistickým pojmům.
Testování hypotéz, srovnání klasického aparátu testování hypotéz s bayesovským pohledem s praktickými ukázkami konkrétních příkladů rozdílů mezi klasickou a bayesovskou inferencí. Vysvětlení, proč testování hypotéz může vést k mnoha falešně positivním výsledkům. Důvody, proč se budeme stále častěji setkávat s bayesovskou inferencí.
Směr, kterým se bude práce s daty (nejen) v lékařském výzkumu ubírat: strojové učení (machine learning, artificial intelligence), bayesovský obrat a komplexita. Vysvětlení podstaty postupů. Principy umělých neuronových sítí, support vector machines, decision trees a random forrests. Metody unsupervised learning, zejména shlukovou analýzu a metodu hlavních komponent. Bayesovské sítě, které představují universální framework pro získávání informací z dat a elegantně propojují komplexní sítě s bayesovskou inferencí a strojovým učením.
Praktická ukázka interpretace výstupů moderních přístupů na již publikovaných článcích.
Princip indukce, a princip testování hypotéz se zvláštním důrazem na pojem p-value, rozdíl mezi standard deviation a standard error, pojmy interakce a confounding. Nejdůležitější parametrické a neparametrické metody, logistická regrese a analýza přežívání.
Interpretace klinických studií. Metody užité v klinických studiích. Interpretace výsledků. Strategie plánování výzkumných projektů.
