Medicinsk dataforståelse

Kursusindhold

Den studerende skal gennem kurset opnå en grundlæggende forståelse for medicinsk data, der bruges i den diagnostiske proces og til patientbehandling. 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
Undervisningsdeltagelse
Prøveformsdetaljer
For at bestå kurset skal den studerende opnå godkendt deltagelse i to obligatoriske kursuselementer:

1) Mundtlig fremlæggelse i grupper af 4 studerende (undtagelsesvist 5).
Fremlæggelsen kan foregå fysisk eller virtuelt.

Ved særlige behov og efter aftale med kursusansvarlig kan fremlæggelsen foregå individuelt.

2) 2-timers Multiple-choice test i Absalon på kursets sidste dag (min. 75% rigtige svar)
Eksamensforudsætninger

Ingen

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

Se eksamensplan

Reeksamen

Samme som ordinær

Kriterier for bedømmelse

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
  • Kategori
  • Timer
  • Forelæsninger
  • 8
  • Holdundervisning
  • 32
  • Forberedelse (anslået)
  • 97,5
  • Total
  • 137,5

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   (13-817c6f766e803b817c7180727b4d7f7274767c7b753b7178)
    Kursusansvarlig
  • Hiren Jitendra Joshi   (5-6f74786d6e45787a736933707a336970)
    Delkursusansvarlig
Gemt den 10-04-2025

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