1. lékařská fakulta Univerzity Karlovy Univerzita Karlova
Zajímá vás, co se děje na fakultě? Přihlaste se k odběru bulletinu Jednička.

Pomůžeme vám

Potřebujete pomoc nebo informace a nevíte přesně na koho se obrátit?

Kontaktujte nás

Kurz biostatistiky pro lékaře a PhD studenty v biomedicínských oborech se zaměřením na kardiovaskulární problematiku

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

Katedra matematické analýzy a aplikací matematiky

Přírodovědecká fakulta Univerzity Palackého v Olomouci
RNDr. Tomáš Fürst, Ph.D., Mgr. Ondřej Vencálek, Ph.D.

Místo: Kurz se bude konat na II. interní klinice, U Nemocnice 2, Praha 2

Termín: 1. 4. 2020 12:00 – 16:00 a 2. 4. 2020 9:00 – 16:00

Přihlášení ke kurzu:
Bc. Strobachová Helena: Helena.Strobachova@vfn.cz
Mgr. Sobíšková Pavla: Pavla.Sobiskova@vfn.cz

Kurz je určen lékařům, PhD studentům i všem pracovníkům, kteří mají zájem o moderní přístupy v biomedicínské statistice.

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.

Definitivní program bude k dispozici počátkem letního semestru 2019/2020.

 

Hodnocení: spravovat