SPMM21003U Fra real-world data til personlig medicin
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
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.
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
Artikler og udvalgte bogkapitler
Litteraturlisten findes på e-læringsportalen Absalon
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.
- Kategori
- Timer
- Forelæsninger
- 20
- Holdundervisning
- 20
- Forberedelse (anslået)
- 50
- E-læring
- 10
- Projektarbejde
- 80
- Vejledning
- 10
- Eksamensforberedelse
- 15
- Eksamen
- 1
- I alt
- 206
Du kan ansøge om deltagelse på kurset som enkeltfagsstuderende. Læs mere og ansøg på uddannelsens hjemmeside.
- Point
- 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
Kursusinformation
- Sprog
- Dansk
- Kursuskode
- SPMM21003U
- Point
- 7,5 ECTS
- Niveau
- Master
- Varighed
- 1 semester
- Placering
- Efterår
Kurset afvikles i lige år (2024, 2026 etc.) i efterårssemestret
- Skemagruppe
- Gå til hjemmesiden for Master i personlig medicin for at se kursusdetaljer vedrørende antal undervisningsdage, kursusdatoer og eksamensplan: https://personligmedicin.ku.dk/kursus/
- Kursuskapacitet
- 30
Pris
Pris: 15.000 Kr.
Studienævn
- Studienævnet for Masteruddannelserne ved Det Sundhedsvidenskabelige Fakultet
Udbydende institut
- Institut for Klinisk Medicin
Udbydende fakultet
- Det Sundhedsvidenskabelige Fakultet
Kursusansvarlige
- zqs274 zqs274 (carsten.utoft.niemann@regionh.dk)
- Mikkel Werling (wcb444@sund.ku.dk)
Undervisere
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.