Statistično modeliranje v biomedicini

Opis predmeta

1. SPLOŠNI KONCEPTI:

formulacija modelov, ocenjevanje parametrov, interpretacija
interakcije, sprostitev predpostavke o linearnosti
prileganje modelov
pojasnjena variabilnost
problem prevelikega števila pojasnjevalnih spremenljivk
ponovno vzorčenje, validacija modela
uporaba R v statističnem modeliranju

2. LOGISTIČNA REGRESIJA:

določanje modela: metoda največjega verjetja, točkovna in intervalna ocena obetov, testna statistika, ostanki, ocenjevanje primernosti modela, vplivne točke
interpretacija modela
ocenjevanje napovedne vrednosti modela
ROC krivulje

Cilji in kompetence

Cilj predmeta je seznaniti študenta s strategijami statističnega modeliranja in mu predstaviti načine evalvacije in validacije modela na primeru logistične regresije.

Metode poučevanja in učenja

Predavanja ter vaje v računalniški učilnici, kjer študenti na predavanjih pridobljeno teoretično znanje uporabljajo na konkretnih podatkih. Uporabljali bomo programski paket R.

Del pedagoškega procesa bo izveden s pomočjo IKT tehnologij in možnosti, ki jih ponujajo.

Predvideni študijski rezultati

Znanje in razumevanje:

Študent bo sposoben določiti, oceniti, validirati in interpretirati model, ki bo skladen s podatki.

Reference nosilca

LUSA, Lara, BUKOVŠEK, David. Providing patients visiting emergency departments with useful information using public real time data : a case study based on Italian data. Journal of evaluation in clinical practice. Jun. 2019, vol. 25, iss. 3, str. 404-411, graf. prikazi, tabele. ISSN 1356-1294. https://onlinelibrary.wiley.com/doi/abs/10.1111/jep.13059, DOI: 10.1111/jep.13059. [COBISS.SI-ID 34090713], [JCR, SNIP]
SEM, Vilma, KOLAR, Jana, LUSA, Lara. Artificially generated near-infrared spectral data for classification purposes. Chemometrics and Intelligent Laboratory Systems. [Print ed.]. Jan. 2018, vol. 172, str. 100-108, ilustr. ISSN 0169-7439. http://www.sciencedirect.com/science/article/pii/S0169743917302320, DOI: 10.1016/j.chemolab.2017.11.009. [COBISS.SI-ID 33505753], [JCR, SNIP]
BLAGUS, Rok, LUSA, Lara. Gradient boosting for high-dimensional prediction of rare events. Computational statistics & data analysis. Sep. 2017, vol. 113, str.19-37, ilustr. ISSN 0167-9473. http://www.sciencedirect.com/science/article/pii/S0167947316301803, DOI: 10.1016/j.csda.2016.07.016. [COBISS.SI-ID 32788953], [JCR, SNIP, WoS do 3. 12. 2019: št. citatov (TC): 2, čistih citatov (CI): 2, Scopus do 29. 3. 2020: št. citatov (TC): 5, čistih citatov (CI): 5]
KEJŽAR, Nataša, MAUCORT-BOULCH, Delphine, STARE, Janez. A note on bias of measures of explained variation for survival data. Statistics in medicine, ISSN 0277-6715, 15 March 2016, vol. 35, iss. 6, str. 877-882. http://onlinelibrary.wiley.com/doi/10.1002/sim.6749/abstract, doi: 10.1002/sim.6749. [COBISS.SI-ID 32214489]
STARE, Janez, KEJŽAR, Nataša. On standardization of the activity index. Journal of informetrics : an international journal, ISSN 1751-1577, Jul. 2014, vol. 8, iss. 3, str. 503-507, doi: 10.1016/j.joi.2014.04.004. [COBISS.SI-ID 31282137]
KEJŽAR, Nataša, KORENJAK-ČERNE, Simona, BATAGELJ, Vladimir. Clustering of distributions : a case of patent citations. Journal of classification, ISSN 0176-4268, 2011, vol. 28, no. 2, str. 156-183, graf. prikazi, doi: 10.1007/s00357-011-9084-x. [COBISS.SI-ID 28528345]BLEJEC, Andrej. Statistical method for detection of firing rate changes in spontaneously active neurons. Neurocomputing (Amst.). [Print ed.], 2005, vol. 65/66, str. 557-563.JCR IF: 0.79, SE (42/79), computer science, artificial intelligence, x: 1.268 [COBISS.SI-ID 1557839]

Temeljni viri in literatura

Steyerberg E. W. (2009): Clinical Prediction Models: A Practical Approach to Development, Validation, and Updating. New York: Springer.

Harrell F. E. (2001): Regression Modeling Strategies. New York: Springer.

Everitt B., Rabe-Hesketh S. (2001): Analyzing Medical Data Using S-PLUS. New York: Springer.