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.
From Real-World Data to Personalised Medicine
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
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:
Undervisning med fremmøde og online
Introduktionsforelæsninger, opgaveregning, dannelse af tværfaglige
projektgrupper samt tilknytning af mentor, introduktion til og valg
af datasæt for gruppearbejdet.
Uger med gruppearbejde
Jævnlige virtuelle mentor-møder med sparring i forhold til gruppens
arbejde.
Undervisning med fremmøde
Fokuserede forelæsninger, opgaveregning, midtvejsfremlæggelser og
mentorsessioner med direkte feedback til de studerende.
Uger med gruppearbejde før eksamen
Jævnlige virtuelle mentor-møder med sparring i forhold til gruppens
arbejde frem til den offentlige eksamensfremlæggelse.
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. Find link til ansøgningskrav under fanen 'Tilmelding' nedenfor.
Du kan ansøge om deltagelse på kurset som enkeltfagsstuderende. Læs mere og ansøg på uddannelsens hjemmeside.
- ECTS
- 7,5 ECTS
- Prøveform
-
Skriftlig afleveringMundtlig prøve
- Prøveformsdetaljer
- Gruppefremlæggelse af projekt baseret på virkelige eller
syntetiske real-world data.
Den skriftlige aflevering skal have et omfang af 8-10 A4 sider ekslusiv bilag, litteraturliste og indholdsfortegnelse. En A4 side = 2.400 anslag inkl mellemrum.
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
Flere interne bedømmere
- Eksamensperiode
-
Se information om eksamenstidspunkt i uddannelsens eksamensplanen. Eksamensplanen offentliggøres på denne hjemmeside: https://sund.ku.dk/uddannelse/studieinformation/eksamensplaner/
- Reeksamen
-
Ved reeksamen benyttes samme eksamensform som ved ordinær eksamen
Se information om tidspunkt for reeeksamen i uddannelsens eksamensplanen. Eksamensplanen offentliggøres på denne hjemmeside: https://sund.ku.dk/uddannelse/studieinformation/eksamensplaner/
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
Kursusinformation
- Undervisningssprog
- Dansk
- Kursusnummer
- SPMM21003U
- ECTS
- 7,5 ECTS
- Niveau
- Master
- Varighed
-
1 semester
- Placering
- Efterår
Kurset afvikles i lige år (2024, 2026 etc.) i efterårssemestret
- Pris
-
Pris: 15.000 Kr.
- Skemagruppe
-
Gå til hjemmesiden for Master i personlig medicin for at se kursusdetaljer vedrørende antal undervisningsdage, kursusdatoer og eksamensplan: https://personligmedicin.ku.dk/kursus/
- Kapacitet
- 30
- Studienævn
- Studienævnet for Masteruddannelserne ved Det Sundhedsvidenskabelige Fakultet
Udbydende institut
- Institut for Klinisk Medicin
Udbydende fakultet
- Det Sundhedsvidenskabelige Fakultet
Kursusansvarlige
- Carsten Utoft Niemann (21-6563747576677030777671687630706b676f637070427467696b71706a30666d)
- Mikkel Werling (14-506c6e6e686f315a68756f6c716a4376787167316e7831676e)
Underviser
Kursusansvarlige
Carsten Niemann (carsten.utoft.niemann@regionh.dk), overlæge og
klinisk lektor, Rigshospitalet og Københavns Universitet
Mikkel Werling
Ph.d. studerende ved Afdeling for Blodsygdomme, cognitive
scientist,
Center for Kræft og Organsygdomme,
Rigshospitalet og Københavns Universitet
Undervisere:
Eksperter inden for området fra både den private og offentlige
sektor.
Are you BA- or KA-student?
Courseinformation of students