Medicinsk dataforståelse

For at opnå bedømmelsen ”bestået” skal den studerende 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