Fra real-world data til personlig medicin

Kursusindhold

Vær med til at tage skridtet fra real-world data fra sundhedsregistre og elektroniske patientjournaler til udvikling af personlig medicin. Du får redskaberne til selv at igangsætte og implementere projekter rettet mod personlig medicin.

Kurset bygger oven på kurset ”Basis for personlig medicin” og giver dig en mere dybdegående forståelse for oprindelse samt brug af real-world (ustrukturerede såvel som strukturerede) data fra fx sundhedsregistre, den elektroniske patientjournal inkl. parakliniske og kliniske data, app-indsamlede data etc. som datakilde for personlig medicin.

Ideen med kurset er at skabe baggrund for at kombinere det væld af allerede eksisterende data, som ligger delvist ubrugt hen, med molekylære, funktionelle og genomiske data.

Undervejs får du indsigt i de udfordringer, der knytter sig til brugen af real-world data, samt de værktøjer, der anvendes for at gøre disse anvendelige i forskning og klinik.

Du får undervisning i basale epidemiologiske og statistiske værktøjer, der fungerer som teoretisk og praktisk forudsætning for arbejdet med real-world data.

Engelsk titel

From Real-World Data to Personalised Medicine

Uddannelse

Dette kursus udbydes på Master i Personlig Medicin.

Masteruddannelsen er efteruddannelse for sundhedsprofessionelle.

Master i personlig medicin er udviklet i tæt samarbejde mellem de fire sundhedsvidenskabelige fakulteter på hhv. Københavns Universitet, Aarhus Universitet, Aalborg Universitet og Syddansk Universitet samt Danmarks Tekniske Universitet. På den måde sikrer vi, at du bliver undervist af nationale eksperter fra internationalt anerkendte forskningsmiljøer i Danmark.

Læs mere om uddannelsen på hjemmesiden: www.personligmedicin.ku.dk 

 

Målbeskrivelse

Gennem cases og hands-on projekter får du redskaberne til selv at igangsætte og implementere projekter rettet mod personlig medicin.


Efter endt kursus forventes den studerende at:

Viden

  • Have overblik over og viden om hvordan man finder og tilgår sundhedsdatakilder og registre i Danmark samt hvilke faldgruber man skal være opmærksom på i forhold til validitet af data
  • Have overblik over hvilke platforme der findes til at arbejde med data, fx forskermaskinerne hos Sundhedsdatastyrelsen, Danmarks Statistik, Computerome, Persimune
  • Have overblik over data opsamlet uden for sundhedsvæsenet som datakilde, fx kropsbårne teknologier (fx medicinske sensorer, kontinuerlige glucosemålinger), app-indsamlede datat (fx smartphones, ure, briller, hovedtelefoner etc.)
  • Kunne redegøre for muligheder inden for open access og datadeling, herunder hvor og hvordan man placerer data
  • Kunne redegøre for hvilke regulatoriske krav er der i forhold til at dele og tilgå data

  • Have overblik over muligheder for at etablere forskningsbiobanker og biobanker til fremtidig forskning samt muligheden for at tilgå samples i behandlingsbiobanker samt forskningsbiobanker fra andre undersøgelser

  • Have overblik over basale epidemiologiske og statistiske begreber, herunder relative og absolutte risikomål, differensmål, prævalens, incidens, positiv prædiktiv værdi, negativ prædiktiv værdi, sensitivitet, specificitet, ROC – kurver, C-statistics

  • Have overblik over mulige statistiske og machine learning algoritmer til prædiktiv modellering, fx sædvanlige og restringerede generaliserede lineære modeller, neurale net og deep learning

  • Forståelse for validering af prædiktive modeller, fx trænings-, validerings- og testdatasæt samt krydsvalidering

  • Have overblik over hvilke software-platforme der findes til at bygge prædiktive modeller

  • Have kendskab til opdatering af prædiktive modeller på nye data

  • Have kendskab til black box vs. explainable algoritmer

 

Færdigheder

  • Kunne anvende relevante epidemiologiske og statistiske begreber til vurdering af prædiktive algoritmers kliniske værdi herunder specielt måling af performance ved ubalanceret incidens samt vigtigheden af uafhængig valideringskohorte for at undgå overfitting

  • Kunne anvende mindst en software-platform til prædiktions- og risikomodellering

  • Kunne formidle resultater af risikomodellering til sundhedsprofessionelle samt patienter op pårørende

  • Kunne foretage vurdering af fejlkilder, fx selektions- og informationsbias og konfounding

  • Kunne vurdere forskellen på prædiktiv modellering, association og causal inferens

  • Kunne anvende kliniske og polygene risikoscorer og redegøre for hvordan risikobegrebet overføres fra en population til det enkelte individ

  • Kunne anvende kliniske cases til træning, fx imaging til identifikation af abnormiteter eller identifikation af høj-risiko CLL-patienter til kliniske forsøg

  • Kunne redegøre for de praktiske og regulatoriske forhold i forbindelse med implementering (parallelt med normal diagnostik) af prædiktive modeller i personlig medicin fra modellering (forskning og AI) og validering til test i randomiserede kliniske forsøg (RCT)

     


Kompetencer

  • Kunne indgå i og lede sundhedsfagligt projektarbejde, hvor prædiktiv modellering på baggrund af sundhedsdata indgår som en del af klinisk praksis ift. personlig medicin

  • Kunne identificere og vurdere relevante datakilder for konkrete sundhedsfaglige problemstillinger

  • Kunne udføre prædiktiv modellering ift. sundhedsfaglige problemstillinger

  • Kunne vurdere krav til evidens og faldgruber i forhold til indførelse af prædiktive algoritmer

  • Kunne identificere og organisere samarbejdet mellem private, offentlige og akademiske interessenter

 

Undervisning med fremmøde og e-læring.

Undervisningsformen for kurset vil helt overvejende være team-baseret læring, hvor data-baserede cases vil danne baggrund for tværfagligt gruppearbejde, der understøttes af forelæsninger. Kurset afsluttes med et tværfagligt gruppearbejde, der tager udgangspunkt i en case baseret på real-world data.

Kurset er bygget op af

3 dages fremmøde
Introduktionsforelæsninger, opgaveregning, dannelse af tværfaglige projektgrupper samt tilknytning af mentor, introduktion til og valg af datasæt for gruppearbejdet.

Ca. 6 ugers gruppearbejde
Jævnlige virtuelle mentor-møder med sparring i forhold til gruppens arbejde.

3 dages fremmøde
Fokuserede forelæsninger, opgaveregning, midtvejsfremlæggelser og mentorsessioner med direkte feedback til de studerende.

Ca. 3 ugers gruppearbejde
Jævnlige virtuelle mentor-møder med sparring i forhold til gruppens arbejde frem til den offentlige eksamensfremlæggelse.

1 dags eksamen
Gruppefremlæggelse af projekt baseret på virkelige eller syntetiske data.

Artikler og udvalgte bogkapitler

Litteraturlisten findes på e-læringsportalen Absalon

 

Læs mere om ansøgningskrav på uddannelsens hjemmeside: www.personligmedicin.ku.dk/​adgangskrav/​

Løbende feedback i undervisningsforløbet
ECTS
7,5 ECTS
Prøveform
Mundtlig prøve
Gruppefremlæggelse af projekt baseret på virkelige eller syntetiske real-world data. Eksamen tilstræbes at være offentlig, evt. en hybrid med mulighed for virtuel deltagelse, dette for at sikre vidensdeling og inspiration baseret på eksamensfremlæggelserne.
Hjælpemidler
Alle hjælpemidler tilladt
Bedømmelsesform
7-trins skala
Censurform
Ingen ekstern censur
Kriterier for bedømmelse

Den studerende skal demonstrere brug af viden om real-world datakilder, evne til kritisk anvendelse af disse data til modellering og implementering af modeller i kliniske og forskningsmæssige sammenhænge.

For at opnå karakteren 12 skal den studerende:

Viden

  • Have overblik over og viden om hvordan man finder og tilgår sundhedsdatakilder og registre i Danmark samt hvilke faldgruber man skal være opmærksom på i forhold til validitet af data
  • Have overblik over hvilke platforme der findes til at arbejde med data, fx forskermaskinerne hos Sundhedsdatastyrelsen, Danmarks Statistik, Computerome, Persimune
  • Have overblik over data opsamlet uden for sundhedsvæsenet som datakilde, fx kropsbårne teknologier (fx medicinske sensorer, kontinuerlige glucosemålinger), app-indsamlede datat (fx smartphones, ure, briller, hovedtelefoner etc.)
  • Kunne redegøre for muligheder inden for open access og datadeling, herunder hvor og hvordan man placerer data
  • Kunne redegøre for hvilke regulatoriske krav er der i forhold til at dele og tilgå data

  • Have overblik over muligheder for at etablere forskningsbiobanker og biobanker til fremtidig forskning samt muligheden for at tilgå samples i behandlingsbiobanker samt forskningsbiobanker fra andre undersøgelser

  • Have overblik over basale epidemiologiske og statistiske begreber, herunder relative og absolutte risikomål, differensmål, prævalens, incidens, positiv prædiktiv værdi, negativ prædiktiv værdi, sensitivitet, specificitet, ROC – kurver, C-statistics

  • Have overblik over mulige statistiske og machine learning algoritmer til prædiktiv modellering, fx sædvanlige og restringerede generaliserede lineære modeller, neurale net og deep learning

  • Forståelse for validering af prædiktive modeller, fx trænings-, validerings- og testdatasæt samt krydsvalidering

  • Have overblik over hvilke software-platforme der findes til at bygge prædiktive modeller

  • Have kendskab til opdatering af prædiktive modeller på nye data

  • Have kendskab til black box vs. explainable algoritmer

 

Færdigheder

  • Kunne anvende relevante epidemiologiske og statistiske begreber til vurdering af prædiktive algoritmers kliniske værdi herunder specielt måling af performance ved ubalanceret incidens samt vigtigheden af uafhængig valideringskohorte for at undgå overfitting

  • Kunne anvende mindst en software-platform til prædiktions- og risikomodellering

  • Kunne formidle resultater af risikomodellering til sundhedsprofessionelle samt patienter op pårørende

  • Kunne foretage vurdering af fejlkilder, fx selektions- og informationsbias og konfounding

  • Kunne vurdere forskellen på prædiktiv modellering, association og causal inferens

  • Kunne anvende kliniske og polygene risikoscorer og redegøre for hvordan risikobegrebet overføres fra en population til det enkelte individ

  • Kunne anvende kliniske cases til træning, fx imaging til identifikation af abnormiteter eller identifikation af høj-risiko CLL-patienter til kliniske forsøg

  • Kunne redegøre for de praktiske og regulatoriske forhold i forbindelse med implementering (parallelt med normal diagnostik) af prædiktive modeller i personlig medicin fra modellering (forskning og AI) og validering til test i randomiserede kliniske forsøg (RCT)

     


Kompetencer

  • Kunne indgå i og lede sundhedsfagligt projektarbejde, hvor prædiktiv modellering på baggrund af sundhedsdata indgår som en del af klinisk praksis ift. personlig medicin

  • Kunne identificere og vurdere relevante datakilder for konkrete sundhedsfaglige problemstillinger

  • Kunne udføre prædiktiv modellering ift. sundhedsfaglige problemstillinger

  • Kunne vurdere krav til evidens og faldgruber i forhold til indførelse af prædiktive algoritmer

  • Kunne identificere og organisere samarbejdet mellem private, offentlige og akademiske interessenter

 

Kurser fra Master- og Diplomuddannelser

  • Kategori
  • Timer
  • Forelæsninger
  • 20
  • Holdundervisning
  • 20
  • Forberedelse (anslået)
  • 50
  • E-læring
  • 10
  • Projektarbejde
  • 80
  • Vejledning
  • 10
  • Eksamensforberedelse
  • 15
  • Eksamen
  • 1
  • Total
  • 206