BMAK051 Analýza klinických dat

Lékařská fakulta
podzim 2020
Rozsah
Výuka analýzy klinických dat v podzimním semestru 2019 proběhne v učebně A11/132 ve dnech 20.-24. 1. 2020 v 15-19 hodin. 2 kr. (plus 1 za zk). Doporučované ukončení: zk. Jiná možná ukončení: k.
Vyučující
prof. RNDr. Ladislav Dušek, Ph.D. (přednášející)
RNDr. Jiří Jarkovský, Ph.D. (přednášející)
Garance
prof. RNDr. Ladislav Dušek, Ph.D.
Institut biostatistiky a analýz – Jiná pracoviště pro vzdělávací a vědecko-výzkumnou činnost – Lékařská fakulta
Kontaktní osoba: prof. RNDr. Ladislav Dušek, Ph.D.
Dodavatelské pracoviště: Institut biostatistiky a analýz – Jiná pracoviště pro vzdělávací a vědecko-výzkumnou činnost – Lékařská fakulta
Předpoklady
Kurz nemá žádné zvláštní předpoklady.
Omezení zápisu do předmětu
Předmět je otevřen studentům libovolného oboru.
Cíle předmětu
Pedmt je koncipován jako intenzivní kurz pro posluchae postgraduálního studia, lékae, pípadn specialisty jiných obor. Cílem výuky je seznámit posluchae se základními principy analýzy dat, zdokonalit jeho dovednost pi bžném zviditelování informace, v testování statistických hypotéz a v nkolika specializovaných pednáškách podat základ vícerozmrných analýz, analýzy pežití a prediktivního modelování u klinických dat. Poslucha by v prbhu kurzu ml získat pedevším schopnost rozumt principm statistického testování, vícerozmrných analýz a prediktivních model a mla by mu být zpístupnna etba mezinárodní literatury aplikující tyto techniky. Souástí výuky je demonstrace aplikací v software STATISTICA for Windows.
Výstupy z učení
V závěru kurzu jsou studenti schopni:
Definovat strukturu datového souboru pro statistickou analýzu;
Vizualizovat vstupní data pro analýzu a tyto vizualizace interpretovat;
Identifikovat vhodné metody popisné analýzy dat;
Fomulovat hypotézy statistické analýzy dat;
Vybrat korektní statistické testy pro potvrzení/vyvrácení položených hypotéz;
Interpretovat výsledky statistického hodnocení dat (jak vlastní, tak v odborné literatuře);
Posoudit vhodnost aplikace různých statistických metod na různé typy dat
Osnova
  • Téma 1. Statistika v lékaském výzkumu - základní znalost I.: Úvodní seznámení se základními principy statistické analýzy dat. Pravdpodobnostní prezentace výsledk, principy plánování výzkum, základy testování hypotéz. Nominální, ordinální a spojitá data v klinickém výzkumu a grafické možnosti jejich znázornní. Specifika klinických dat a jejich dsledky pro analýzu. Popis dat, kvantifikace variability a parametr stedu výbrových rozložení. Pojem distribuní funkce a její využití pro grafickou prezentaci výbrových rozložení. Principy pojm kalibrace, prognóza, model.
  • Téma 2. Statistika v lékaském výzkumu - základní znalost II.: Modelová rozložení a jejich praktické využití /normální, log-normální, alternativní, binomické, Poissonovo, rozložení statistik t, F a c2). Odhady interval spolehlivosti, prezentace odhad rozptylu, aritmetického a geometrického prmru a dalších modelových rozložení. Odhad mediánu. Sumární statistika spojitých a diskrétních dat. Píklady rzných sumárních prezentací.
  • Téma 3. Statistika v lékaském výzkumu - základní znalost III.: Píprava dat k analýze. Grafické nástroje zviditelnní informace v exploratorní analýze /"PP plots, QQ plots, normal probability plots, box-and-whisker plots, scatterplots, stem and leaf display, histograms, 3D histograms, matrix plots - face plots, contour plots, surface plots"/. Transformace dat jako úelový nástroj praktické analýzy dat. Vyhledání odlehlých hodnot. Využitelnost a zneužitelnost poítaové techniky pro analýzu klinických dat. Neparametrické metody jako alternativa v pípad nesplnní pedpoklad parametrických technik - píklady. Píklady shrnující téma 1 - 3.
  • Téma 4. Jednorozmrné metody - spojitá data: Jednorozmrná analýza spojitých dat. "One-sample" a "two-sample" testy. Nezávislý a párový t test. Základy analýzy rozptylu jednoduchého a vícenásobného tídní, testování kontrast. Neparametrické analýzy (Mann-Whitney test, Wald-Worowitz test, Kolmogorov-Smirnov two-sample test, Kruskal-Wallis test). Grafické možnosti pi vyjadování výsledku výše uvedených test.
  • Téma 5. Jednorozmrné metody - diskrétní data: Jednorozmrná analýza diskrétních dat. "One-sample" a "two-sample" testy. Prezentace procent a odhady parametr procenticky vyjádených znak. Binomický test. Fisherv exaktní test. Test dobré shody v klinických aplikacích. Analýza frekvenních tabulek - další testy.
  • Téma 6. Základy korelaní a regresní analýzy: Základy korelaní analýzy. Parametrická a neparametrická korelace. Základy regresní analýzy. Analýza rovnice regresní pímky. Praktická využitelnost a grafické možnosti prezentace regrese a korelace. Aplikaní píklady a seznámení s principy polynomiální regrese a nelineární regrese.
  • Téma 7. Základy vícerozmrné regrese a logistické regrese: Vícerozmrná regrese a logistická regrese jako prediktivní metody pro klinická data. Seznámení s principy vícerozmrné regrese. Posouzení kvality model a možnosti chyb. Vícerozmrná regrese v predikci klinicky relevantních znak. Aplikaní píklady. Modely logistické regrese - individualizace klinických predikcí smrem k pacientovi. Prezentace prediktivních model. Aplikaní píklady.
  • Téma 8. Analýza pežití: Pravdpodobnost pežití. Kaplan-Meierova analýza pežití /median survival times/. Srovnání dvou a více kivek pežití /Log-rank test, hazard ratio, logrank test pro trendy, intervaly spolehlivosti pro pravdpodobnosti pežití/. "Cohort life tables" a možnosti analýzy pežití. Modelování pežití, Coxovy regresní modely. Praktické aplikace. Plánování studií zamených na analýzu pežití - kvalitativní aspekty pro experimentální design, kvantitativní odhad velikosti vzorku. Analýza pežití u stratifikovaných klinických studií. EORTC normativy pro experimentální plány analýz pežití. Služby dostupné na Internetu: konzultace o studiích zamených na analýzy pežití, demonstrace dostupného software. Nomogramy pro snadné plánování analýz pežití.
  • Téma 9. Vícerozmrná analýza klinických dat, moderní metody zpracování velkých soubor dat - úvod: Princip vícerozmrných analýz a jejich využití pro klinické aplikace. Vícerozmrná a jednorozmrná analýza dat - vzájemná potenciace nebo rozpor? Przkum vícerozmrných dat, softwarov dostupné testy o vícerozmrném rozložení. Vícerozmrná vzdálenost /podobnost/ objekt nebo promnných - pehled významných metrik. Dynamické regresní modely. Neuronové sít jako využitelná modelovací technika. Data mining, automatické zpracování dat. Optimalizace experiment, sampling design s užitím vícerozmrných statistických metod.
Literatura
  • Altman D. G. (1991) Practical statistics for medical research. Chapman and Hall. London.
  • HAVRÁNEK, Tomáš. Statistika pro biologické a lékařské vědy. 1. vyd. Praha: Academia, 1993, 476 s. ISBN 8020000801. info
  • HEBÁK, Petr a Jiří HUSTOPECKÝ. Vícerozměrné statistické metody s aplikacemi. 1. vyd. Praha: SNTL - Nakladatelství technické literatury, 1987, 452 s. URL info
  • Flury B. and Riedwyl H. (1988) Multivariate statistics. A practical approach. Chapman and Hall, London.
  • MELOUN, Milan a Jiří MILITKÝ. Statistické zpracování experimentálních dat. [1. vyd.]. Praha: Plus, 1994, 839 s. ISBN 80-85297-56-6. info
  • Snedecor G.W. and Cochran W.G. (1971). Statistical methods. Iowa State University Press.
  • Zar J.H. (1984). Biostatistical analysis. Perntice Hall. New Jersey.
Výukové metody
Teoretické přednášky doplněné komentovanými příklady, studenti jsou podporováni v kladení otázek týkajících se probírané látky.
Metody hodnocení
Předmět je uzavřen písemnou zkouškou testující uchopení principů, správnou aplikaci a základní výpočetní dovednosti studentů. Zkouška pokrývá celý rozsah kurzu od popisné statistiky, předpokladů statistického testovní až po aplikaci konkrétních testů na konkrétních reálných příkladech.
Informace učitele
V podzimním semestru 2020 proběhne výuka přes MS Teams.
Další komentáře
Studijní materiály
Předmět je vyučován každoročně.
Výuka probíhá blokově.
Poznámka k četnosti výuky: Výuka analýzy klinických dat v podzimním semestru 2019 proběhne v učebně A11/132 ve dnech 20.-24. 1. 2020 v 15-19 hodin.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2000, podzim 2000, jaro 2001, podzim 2001, jaro 2002, podzim 2002, jaro 2003, podzim 2003, jaro 2004, podzim 2004, jaro 2005, podzim 2005, jaro 2006, podzim 2006, jaro 2007, podzim 2007, jaro 2008, podzim 2008, jaro 2009, podzim 2009, jaro 2010, podzim 2010, jaro 2011, podzim 2011, jaro 2012, podzim 2012, jaro 2013, podzim 2013, jaro 2014, podzim 2014, jaro 2015, podzim 2015, jaro 2016, podzim 2016, jaro 2017, podzim 2017, jaro 2018, podzim 2018, jaro 2019, podzim 2019, jaro 2020, jaro 2021, podzim 2021, jaro 2022, podzim 2022, jaro 2023, podzim 2023, jaro 2024, podzim 2024, jaro 2025.