لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مقدمهای بر دادههای بالینی
- آخرین آپدیت
دانلود Introduction to Clinical Data
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره شما را با چارچوبی برای استخراج موفق و اخلاقی دادههای پزشکی آشنا میکند. ما تنوع دادههای بالینی جمعآوری شده در طول ارائه خدمات بهداشتی را بررسی خواهیم کرد. شما یاد میگیرید که مجموعهدادههای آماده برای تحلیل بسازید و رویههای محاسباتی را برای پاسخ به سوالات بالینی به کار بگیرید. همچنین موضوعاتی مانند عدالت و سوگیری (Bias) را که ممکن است هنگام استفاده از دادههای بهداشتی برای تصمیمگیری در مورد مراقبت از بیمار رخ دهد، بررسی میکنیم.
در راستای بهبود مراقبت از بیمار، پزشکی استنفورد توسط شورای اعتبار آموزش پزشکی مداوم (ACCME)، شورای اعتبار آموزش داروسازی (ACPE) و مرکز اعتباربخشی پرستاران آمریکا (ANCC) برای ارائه آموزشهای مداوم به تیمهای بهداشتی تایید شده است. برای اطلاعات مهم در مورد ۱) تاریخ انتشار اصلی و تاریخ انقضا؛ ۲) بیانیههای اعتباربخشی و تعیین واحد؛ ۳) افشای روابط مالی هر شخص در کنترل محتوای فعالیت، به بخش سؤالات متداول در زیر مراجعه کنید.
سرفصل ها و درس ها
پرسوجو و پاسخ به سوالات از طریق دادهکاوی بالینی
Asking and answering questions via clinical data mining
خوشآمدگویی
Welcome
مقدمهای بر گردشکار دادهکاوی
Introduction to the data mining workflow
مثالهای واقعی
Real Life Example
مثال: یافتن بیماران مشابه
Example: Finding similar patients
مثال: تخمین ریسک
Example: Estimating risk
قرار دادن دادههای بیمار در خط زمانی
Putting patient data on timeline
مرور مجدد مراحل گردشکار دادهکاوی
Revisit the data mining workflow steps
انواع سوالات پژوهشی
Types of research questions
سوالات پژوهشی مناسب برای دادههای بالینی
Research questions suited for clinical data
مثال: تصمیمگیری برای درمان
Example: making decision to treat
ویژگیهایی که پاسخ به یک سوال پژوهشی را مفید میسازد
Properties that make answering a research question useful
جمعبندی
Wrap Up
دادههای موجود در سیستمهای بهداشتی و درمانی
Data available from Healthcare systems
مرور سیستم بهداشت و درمان
Review of the healthcare system
مرور موجودیتهای کلیدی و دادههایی که جمعآوری میکنند
Review of key entities and the data they collect
بازیگران با منافع مختلف
Actors with different interests
انواع رایج دادهها در حوزه بهداشت و درمان
Common data types in Healthcare
نقاط قوت و ضعف دادههای مشاهدهای
Strengths and weaknesses of observational data
سوگیری و خطا از دیدگاه سیستم بهداشتی
Bias and error from the healthcare system perspective
سوگیری و خطای مواجههها و نتایج
Bias and error of exposures and outcomes
چگونه مواجهه بیمار با بیماری یا درمان ممکن است اشتباه طبقهبندی شود
How a patient's exposure might be misclassified
چگونه نتیجه درمان بیمار ممکن است اشتباه طبقهبندی شود
How a patient's outcome could be misclassified
دادههای پرونده الکترونیک پزشکی
Electronic medical record data
دادههای ادعای بیمه
Claims data
داروسازی
Pharmacy
مجموعهدادههای نظارتی و ثبتهای پزشکی
Surveillance datasets and Registries
مجموعهدادههای سلامت جمعیت
Population health data sets
چارچوبی برای ارزیابی مفید بودن یک منبع داده
A framework to assess if a data source is useful
جمعبندی
Wrap Up
نمایش زمان و زمانبندی رویدادها برای دادهکاوی بالینی
Representing time, and timing of events, for clinical data mining
مقدمه
Introduction
زمان، خطوط زمانی، مقیاسهای زمانی و نمایشهای زمان
Time, timelines, timescales and representations of time
مقیاس زمانی: انتخاب واحدهای زمانی مرتبط
Timescale: Choosing the relevant units of time
عواملی که بر مقیاس زمانی تأثیر میگذارند
What affects the timescale
نمایش زمان
Representation of time
دادههای سری زمانی و غیرسری زمانی
Time series and non-time series data
ترتیب رویدادها
Order of events
نمایشهای ضمنی زمان
Implicit representations of time
روشهای مختلف دستهبندی دادهها در بازههای زمانی (Bins)
Different ways to put data in bins
زمانبندی مواجههها و نتایج
Timing of exposures and outcomes
فرآیندهای بالینی غیرایستا (Non-stationary) هستند
Clinical processes are non-stationary
جمعبندی
Wrap Up
ایجاد مجموعهدادههای آماده برای تحلیل از روی خط زمانی بیمار
Creating analysis ready datasets from patient timelines
تبدیل دادههای بالینی به فرمتی قابل تحلیل
Turning clinical data into something you can analyze
تعریف واحد تحلیل
Defining the unit of analysis
استفاده از ویژگیها و حضور ویژگیها
Using features and the presence of features
چگونه ویژگیها را از منابع ساختاریافته بسازیم
How to create features from structured sources
استانداردسازی ویژگیها
Standardizing features
مدیریت ویژگیهای بسیار زیاد
Dealing with too many features
ریشههای مقادیر گمشده (Missing Values)
The origins of missing values
مدیریت مقادیر گمشده
Dealing with missing values
توصیههای خلاصه برای مقادیر گمشده
Summary recommendations for missing values
ساخت ویژگیهای جدید
Constructing new features
مثالهایی از ویژگیهای مهندسی شده
Examples of engineered features
چه زمانی باید به ویژگیهای مهندسی شده فکر کنیم
When to consider engineered features
نکات اصلی در مورد ایجاد مجموعهدادههای آماده برای تحلیل
Main points about creating analysis ready datasets
نمایش نظرات