Medicinsk dataforståelse

Kursusindhold

Den studerende skal gennem kurset opnå en grundlæggende forståelse for medicinsk data, der bruges i den diagnostiske proces og til patient behandling. Herunder skal den studerende have forståelse for forskellige datakategorier, datakvalitet, datahåndtering, brug af kunstig intelligens, samt de juridiske og etiske aspekter af data i klinik og til forskning. Den studerende skal desuden efter endt kursus kunne anvende denne forståelse i konkrete kliniske situationer.

Engelsk titel

Data in Medicine

Uddannelse

Bacheloruddannelsen i medicin, Køge - obligatorisk kursus
Bacheloruddannelsen i medicin, København - obligatorisk kursus

Målbeskrivelse

Efter endt kursus forventes den studerende at kunne:

Viden

  • Beskrive forskellige typer af medicinske data og hvordan disse klassificeres, herunder beskrive forskellige typer af kliniske og parakliniske data samt sundhedsvidenskabelige data og datakilder i sundhedsvæsenet
  • Redegøre for, hvornår og hvordan data omdannes til information
  • Definere repræsentativitet
  • Redegøre for data validitet og reliabilitet og forstå vigtigheden heraf
  • Forklare lægens centrale opgave i at omsætte en fysisk, mental og social virkelighed til tekst i patientjournalen
  • Definere sekundære fund og utilsigtede fund
  • Beskrive standardiserede kliniske kodningssystemer og terminologier, herunder ICD-10, ICD-11 samt ICPC-2 og ICPC-3
  • Gengive relevante værktøjer, procedurer og systemer til sikker opbevaring og håndtering af sundhedsvidenskabelige data.
  • Kende til juridiske rammer og etiske aspekter ved datahåndtering i klinikken og i forskning, herunder viden om datasikkerhed for ind- og -opsamling af data, dataopbevaring samt deling/videregivelse af data, fortrolighed (herunder den elektroniske patientjournal), patienternes adgang til data og aktindsigt, samt krav til informeret samtykke til forskning
  • Kende til basal beskrivende statistisk herunder risk ratio og risikoforskel, sensitivitet/​specificitet samt middelværdier, standard deviation og fraktiler
  • Kende til, hvordan ovenstående ændrer fortolkning som følge af ændringer i den underliggende population
  • Kende principper for hvordan der udtrækes relevant information udfra kliniske billeder og billeddiagnostiske undersøgelser.
  • Definere artificial intelligence (AI) og machine learning (ML) og forskellen mellem disse
  • Kende til eksempler på,  hvorledes AI kan spille en rolle i den kliniske hverdag
  • Beskrive supervised versus unsupervised learning og give eksempler på begge typer
  • Beskrive et typisk workflow for en ML/AI model (træning, validering, test og opdatering)

 

Færdigheder

  • Klassificere medicinske data korrekt (inklusiv datatype, graden af variation, dimensioner, kvalitativ/kvantitativ)
  • Identificere potentielle bias i udvalgte data og foreslå strategier til at undgå disse.
  • Forklare forskelle på strukturerede og ustrukturerede data samt fordele og ulemper ved disse
  • Identificere udfordringer ved analyse af forskellige typer data og kombinationer heraf
  • Forklare hvorledes kliniske informationer, laboratorieresultater og billedmæssige undersøgelser kombineres for at evaluere en patients tilstand
  • Identificere, hvor I den kliniske hverdag datahåndtering finder sted
  • Forklare principper for omsætning af kliniske data til sygdomsklassifikation gennem kodningssystemer og illustrere potentielle problemer med validiteten af disse data
  • Benytte færdigheder i at udtrække relevante oplysninger fra elektroniske patientjournaler
  • Identificere etiske og lovgivningsmæssige perspektiver i konkrete kliniske problemstillinger
  • Beregne sensitivitet, specificitet samt risk ratio og risikoforskel udfra tabel data
  • Forklare hvordan information fra kliniske billeder og billeddiagnostiske undersøgelser bruges i den diagnostiske proces.
  • Illustrere opbygningen af et neuralt netværk med definition af input layer, hidden layers og output layer
  • Identificere fordele og faldgruber ved ML/AI modeller til at understøtte den kliniske beslutningstagning
  •  

Kompetencer

  • Vurdere og sammenligne forskellige datatypers egnethed til at besvare konkrete kliniske og forskningsmæssige problemstillinger.
  • Bedømme datakvalitet med henblik på validitet og reliabilitet samt diskutere vigtigheden heraf for konkrete kliniske eksempler.
  • Diskutere hvordan forskellige typer data indgår i den diagnostiske proces samt betydningsfulde udfordringer herfor
  • Diskutere etiske og lovgivningsmæssige perspektiver i konkrete kliniske problemstillinger i relation til data
  • Evaluere og forholde sig kritisk til konklusioner baseret på simple confidens intervaller.
  • Bedømme, hvornår man kan konkludere en klinisk effekt, eller fravær af samme, i siutationer, hvor dette kan udtrykkes ved middelværdier.
  • Forklare på hvilke måder datasæt kan være komplekse, herunder forskellige datatyper fra én person, og sæt af data fra mange personer
  • Diskutere, hvordan data fra en individuel person kan relateres til data fra en baggrundsbefolkning (afvigelse fra det normale, referenceinterval) mhp. diagnostik og behandling
  • Diskuterer fordele og ulemper ved brug af billeddiagnostiske undersøgelser i det kliniske arbejde.
  • Diskutere valg af datatyper i relation til bæredygtighed som led i det kliniske arbejde, herunder kliniske og parakliniske analyser
  • Analysere vigtigste fordele og ulemper ved implementering af et AI-baseret støtteværktøj ved konkrete kliniske problemstillinger
  • Analysere vigtigste faldgruber og deres påvirkning af resultatet ved konkrete kliniske eksempler på AI-baseret klinisk beslutningsstøtte

Studenteraktiverende holdundervisning (SAU48 samt SAU24, der har fokus på kliniske cases). SAU96 undervisningen suppleres af e-læring i form af introducerende videoer til basale begreber og terminologi, der skal ses forud for den tilsvarende undervisningssession.

Kollektiv
ECTS
5 ECTS
Prøveform
Mundtlig prøve på baggrund af aflevering, 15 minutter
Prøveformsdetaljer
Skriftlig gruppeopgave afleveres og efterfølges af mundtlig eksamen (15 minutter). Uden forberedelse.
Krav til indstilling til eksamen

Ingen

Hjælpemidler
Alle hjælpemidler tilladt
Bedømmelsesform
bestået/ikke bestået
Censurform
Ingen ekstern censur
Intern bedømmelse
Eksamensperiode

Se eksamensplan

Kriterier for bedømmelse

For at opnå bedømmelsen ”bestået” skal den studerende i acceptabel grad kunne: 

Viden

  • Beskrive forskellige typer af data og hvordan disse klassificeres, herunder beskrive forskellige typer af kliniske og parakliniske data samt sundhedsvidenskabelige data og  datakilder i sundhedsvæsenet
  • Redegøre for, hvornår og hvordan data omdannes til information der understøtter den kliniske beslutningstagning
  • Definere repræsentativitet
  • Redegøre for data validitet og reliabilitet og forstå vigtigheden heraf
  • Forklare lægens centrale opgave i at omsætte en fysisk, mental og social virkelighed til tekst i patientjournalen
  • Definere sekundære fund og utilsigtede fund
  • Beskrive princippet bag standardiserede kliniske kodningssystemer og terminologier, herunder ICD-10, ICD-11 samt ICPC-2 og ICPC-3
  • Gengive relevante værktøjer, procedurer og systemer til sikker opbevaring og håndtering af sundhedsvidenskabelige data.
  • Kende til juridiske rammer og etiske aspekter ved datahåndtering i klinikken og i forskning, herunder viden om datasikkerhed for ind- og -opsamling af data, dataopbevaring samt deling/videregivelse af data, fortrolighed (herunder den elektroniske patientjournal), patienternes adgang til data og aktindsigt, samt krav til informeret samtykke til forskning
  • Kende til basal beskrivende statistisk herunder risk ratio og risikoforskel, sensitivitet/​​specificitet samt middelværdier, standard deviation og fraktiler
  • Kende til, hvordan ovenstående ændrer fortolkning som følge af ændringer i den underliggende population
  • Definere artificial intelligence (AI) og machine learning (ML) og forskellen mellem disse
  • Kende til eksempler på,  hvorledes AI kan spille en rolle i den kliniske hverdag
  • Beskrive supervised versus unsupervised learning og give eksempler på begge typer
  • Beskrive et typisk workflow for en ML/AI model (træning, validering, test og opdatering)

 

Færdigheder

  • Klassificere data, herunder kliniske data, korrekt (inklusiv datatype, graden af variation, dimensioner, kvalitativ/kvantitativ)
  • Identificere potentielle bias i udvalgte data og foreslå strategier til at undgå disse.
  • Forklare forskelle på strukturerede og ustrukturerede data samt fordele og ulemper ved disse
  • Identificere udfordringer ved analyse af forskellige typer data og kombinationer heraf
  • Forklare hvorledes kliniske informationer, laboratorieresultater og billedmæssige undersøgelser kombineres for at evaluere en patients tilstand
  • Identificere, hvor I den kliniske hverdag datahåndtering finder sted
  • Forklare principper for omsætning af kliniske data til sygdomsklassifikation gennem kodningssystemer og illustrere potentielle problemer med validiteten af disse data
  • Benytte færdigheder i at udtrække relevante oplysninger fra elektroniske patientjournaler
  • Identificere etiske og lovgivningsmæssige perspektiver i konkrete kliniske problemstillinger
  • Beregne sensitivitet, specificitet samt risk ratio og risikoforskel udfra tabel data
  • Illustrere opbygningen af et neuralt netværk med definition af input layer, hidden layers og output layer
  • Identificere fordele og faldgruber ved ML/AI modeller

 

Kompetencer

  • Vurdere og sammenligne forskellige datatypers egnethed til at besvare konkrete kliniske og forskningsmæssige problemstillinger.
  • Bedømme datakvalitet med henblik på validitet og reliabilitet samt diskutere vigtigheden heraf for konkrete kliniske eksempler.
  • Diskutere hvordan forskellige typer data indgår i den diagnostiske proces samt betydningsfulde udfordringer herfor
  • Diskutere etiske og lovgivningsmæssige perspektiver i konkrete kliniske problemstillinger i relation til data
  • Evaluere og forholde sig kritisk til konklusioner baseret på simple confidens intervaller.
  • Bedømme, hvornår man kan konkludere en klinisk effekt, eller fravær af samme, i siutationer, hvor dette kan udtrykkes ved middelværdier.
  • Forklare på hvilke måder datasæt kan være komplekse, herunder forskellige datatyper fra én person, og sæt af data fra mange personer
  • Diskutere, hvordan data fra en individuel person kan relateres til data fra en baggrundsbefolkning (afvigelse fra det normale, referenceinterval) mhp. diagnostik og behandling
  • Diskutere valg af datatyper i relation til bæredygtighed som led i det kliniske arbejde, herunder kliniske og parakliniske analyser
  • Analysere vigtigste fordele og ulemper ved implementering af et AI-baseret støtteværktøj ved konkrete kliniske problemstillinger
  • Analysere vigtigste faldgruber og deres påvirkning af resultatet ved konkrete kliniske eksempler på AI-baseret klinisk beslutningsstøtte
  • Kategori
  • Timer
  • Forelæsninger
  • 3
  • Holdundervisning
  • 40
  • Forberedelse (anslået)
  • 90
  • E-læring
  • 2
  • Eksamen
  • 2
  • Total
  • 137

Kursusinformation

Undervisningssprog
Dansk
Kursusnummer
SMEB24005U
ECTS
5 ECTS
Niveau
Bachelor
Varighed

1 semester

Placering
Forår og Efterår
Skemagruppe
Se syllabus
Kapacitet
Studerende pr. semester:
København: 248
Køge: 55
Studienævn
Studienævnet for Medicin og den Sundhedsfaglige Kandidatuddannelse
Udbydende institut
  • Institut for Klinisk Medicin
  • Institut for Cellulær og Molekylær Medicin
  • Institut for Folkesundhedsvidenskab
Udbydende fakultet
  • Det Sundhedsvidenskabelige Fakultet
Kursusansvarlige
  • Tobias Todsen   (13-7a75686f6779347a756a796b7446786b6d6f75746e346a71)
    Kursusansvarlig
  • Hiren Jitendra Joshi   (5-6d72766b6c4376787167316e7831676e)
    Delkursusansvarlig
Gemt den 10-04-2024

Are you BA- or KA-student?

Are you bachelor- or kandidat-student, then find the course in the course catalog for students:

Courseinformation of students