Datadrevet personlig medicin – fra epidemiologi til patient
Kursusindhold
Forstå hvordan forskellige typer real-world data, alt fra genetik til app-indsamlede miljøpåvirkninger, kan bidrage til bedre diagnose, prognose og personlig behandling. Kurset fokuserer på klinisk afprøvning af datadrevne metoder og beslutningsstøtteværktøjer samt inddragelse af patienter.
Få en dybere forståelse af værdien af forskellige typer big data til brug inden for personlig medicin. Disse data kan være omics data f.eks. genomsekvenser, men også andre kilder som f.eks. app-indsamlede eksposom-information og outcomes relevant for personlig medicin.
Et væsentligt tema er statistiske observationer for populationsforskning, og hvordan dette er relevant for individuelle patienter. Herudover får du en teoretisk basis for at forholde dig kritisk til behandlingsrelevante omics-varianter samt forstå̊, hvordan disse bidrager til diagnose, prognose og behandlingsvalg.
Du bliver også introduceret til beslutningsstøtteværktøjer i klinikken og principper for klinisk afprøvning af datadrevne metoder.
Kurset tager udgangspunkt i følgende specifikke emner: Datakilder, patientnære real-world data fra genom til app-indsamlede exposomer og outcomes, metoder der forbinder populationsforskning med individuelle patienter (machine learning, big data mining, dataintegration), kritisk vurdering af behandlingsrelevant genom-, proteom- og metabolomvariation, diagnose, prognose, behandling, beslutningsstøtteværktøjer til klinikken, patientinddragelse, klinisk afprøvning af datadrevne metoder.
Data Driven Personalised Medicine – From Epidemiology to Patient
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
Efter endt kursus forventes den studerende at:
Viden:
- Identificere og definere forskellige typer real-world data, molekylære og ikke-molekylære
- Beskrive og evaluere metoder som anvendes til integration af forskellige datatyper
- Forholde sig kritisk til behandlingsrelevante omics varianter
- egøre for principper bag datadrevne beslutningsstøtteværktøjer i klinikken
Færdigheder:
- Forstå brugen af datadreven personlig medicin samt formidle og diskutere dette med kolleger, andre faggrupper og offentligheden
- Brug teknikker og programmer til dataanalyse som f.eks. Unix/Linux/R/Neurale netværk
- Udføre analyser som integrerer forskellige typer af heterogene data
- Kritisk evaluere resultater af sådanne analyser
Kompetencer:
- Overblik over forskellige typer af real-world data og hvordan sådanne data kan anvendes i et longitudinelt perspektiv i forbindelse med udviklingen af personlig medicin (patientforløb)
- Kritisk vurdere klinisk afprøvning af datadrevne metoder og brugen af beslutningsstøtteværktøjer i klinikken
Intensivt kursus der primært består af team-based learning og cases med tværfagligt gruppearbejde og understøttende forelæsninger. Kurset har løbende afleveringer, som tilsammen evalueres som eksamen.
Artikler og udvalgte bogkapitler
Litteraturlisten findes på e-læringsportalen Absalon
Læs mere om ansøgningskrav på uddannelsens hjemmeside: www.personligmedicin.ku.dk/adgangskrav/
Du kan ansøge om deltagelse på kurset som enkeltfagsstuderende. Læs mere og ansøg på uddannelsens hjemmeside: www.personligmedicin.ku.dk/adgangskrav/
- ECTS
- 5 ECTS
- Prøveform
-
Portfolio
- Prøveformsdetaljer
- Kurset har løbende afleveringer, som tilsammen evalueres som eksamen.
- Hjælpemidler
- Alle hjælpemidler tilladt
- Bedømmelsesform
- bestået/ikke bestået
- Censurform
- Ingen ekstern censur
Kriterier for bedømmelse
For at opnå karakteren 12 skal den studerende:
Viden:
- Identificere og definere forskellige typer real-world data, molekylære og ikke-molekylære
- Beskrive og evaluere metoder som anvendes til integration af forskellige datatyper
- Forholde sig kritisk til behandlingsrelevante omics varianter
- egøre for principper bag datadrevne beslutningsstøtteværktøjer i klinikken
Færdigheder:
- Forstå brugen af datadreven personlig medicin samt formidle og diskutere dette med kolleger, andre faggrupper og offentligheden
- Brug teknikker og programmer til dataanalyse som f.eks. Unix/Linux/R/Neurale netværk
- Udføre analyser som integrerer forskellige typer af heterogene data
- Kritisk evaluere resultater af sådanne analyser
Kompetencer:
- Overblik over forskellige typer af real-world data og hvordan sådanne data kan anvendes i et longitudinelt perspektiv i forbindelse med udviklingen af personlig medicin (patientforløb)
- Kritisk vurdere klinisk afprøvning af datadrevne metoder og brugen af beslutningsstøtteværktøjer i klinikken
Kurser fra Master- og Diplomuddannelser
- Kategori
- Timer
- Forelæsninger
- 6
- Holdundervisning
- 12
- Forberedelse (anslået)
- 96
- Projektarbejde
- 14
- Eksamen
- 10
- Total
- 138
Kursusinformation
- Undervisningssprog
- Dansk
- Kursusnummer
- SPMM21008U
- ECTS
- 5 ECTS
- Niveau
- Master
- Varighed
-
1 semester
- Placering
- Forår
- Pris
-
Pris: 10.500 Kr.
- Skemagruppe
-
Kurset er bygget op af:
- 5 dages fremmøde
- forberedelse og gruppearbejde - Kapacitet
- 30
- Studienævn
- Studienævnet for Masteruddannelserne ved Det Sundhedsvidenskabelige Fakultet
Udbydende institut
- Institut for Klinisk Medicin
Udbydende fakultet
- Det Sundhedsvidenskabelige Fakultet
Kursusansvarlig
- Søren Brunak (12-76727568713165757871646e43667375316e7831676e)
Underviser
Kursusansvarlige:
Søren Brunak, Forskningschef, Professor, of Disease Systems
Biology, leder af Novo Nordisk Foundation Center for Protein
Research (CPR), Københavns Universitet.
Kirstine Belling. Lektor, CPR, Københavns Universitet.
Isabella Friis Jørgensen, Postdoc, CPR, Københavns Universitet.
Are you BA- or KA-student?
Courseinformation of students