- 25F-;201A;;Medicinsk dataforståelse
- 25F-;201B;;Medicinsk dataforståelse
- 25F-;202A;;Medicinsk dataforståelse
- 25F-;202B;;Medicinsk dataforståelse
- 25F-;203A;;Medicinsk dataforståelse
- 25F-;203B;;Medicinsk dataforståelse
- 25F-;204A;;Medicinsk dataforståelse
- 25F-;204B;;Medicinsk dataforståelse
- 25F-;205A;;Medicinsk dataforståelse
- 25F-;205B;;Medicinsk dataforståelse
- 25F-;206A;;Medicinsk dataforståelse
- 25F-;206B;;Medicinsk dataforståelse
- 25F-;207A;;Medicinsk dataforståelse
- 25F-;207B;;Medicinsk dataforståelse
- 25F-;208A;;Medicinsk dataforståelse
- 25F-;208B;;Medicinsk dataforståelse
- 25F-;209A;;Medicinsk dataforståelse
- 25F-;209B;;Medicinsk dataforståelse
- 25F-;210A;;Medicinsk dataforståelse
- 25F-;210B;;Medicinsk dataforståelse
- 25F-;RS-Køge 201A;;Medicinsk dataforståelse
- 25F-;RS-Køge 201B;;Medicinsk dataforståelse
- 25F-;RS-Køge 202A;;Medicinsk dataforståelse
- 25F-;RS-Køge 202B;;Medicinsk dataforståelse
SMEB24005U Medicinsk dataforståelse
Data in Medicine
Bacheloruddannelsen i medicin, Køge - obligatorisk kursus
Bacheloruddannelsen i medicin, København - obligatorisk
kursus
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.
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
Se Absalon
- Kategori
- Timer
- Forelæsninger
- 3
- Holdundervisning
- 40
- Forberedelse (anslået)
- 90
- E-læring
- 2
- Eksamen
- 2
- I alt
- 137
Kurset udbydes ikke til eksterne studerende.
- Point
- 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
Kursusinformation
- Sprog
- Dansk
- Kursuskode
- SMEB24005U
- Point
- 5 ECTS
- Niveau
- Bachelor
- Varighed
- 1 semester
- Placering
- Forår og Efterår
- Skemagruppe
- Se syllabus
- Kursuskapacitet
- Studerende pr. semester:
København: 248
Køge: 55
Studienævn
- Studienævnet for Medicin og den Sundhedsfaglige Kandidatuddannelse
Udbydende institutter
- Institut for Klinisk Medicin
- Institut for Cellulær og Molekylær Medicin
- Institut for Folkesundhedsvidenskab
Udbydende fakultet
- Det Sundhedsvidenskabelige Fakultet
Kursusansvarlige
- Tobias Todsen
(13-7c776a71697b367c776c7b6d76487a6d6f71777670366c73)
Kursusansvarlig - Hiren Jitendra Joshi (5-73787c7172497c7e776d37747e376d74)
Delkursusansvarlig