|
|
|
||
Last update: Mgr. Marek Ploc (08.11.2021)
|
|
||
Last update: Mgr. Marek Ploc (08.11.2021)
Cílem předmětu je seznámit studenty se všemi základními statistickými metodami, které jsou dnes nejčastěji používány při statistickém vyhodnocení klinických studií, dotazníkových šetření a jiných vědeckých projektů a které jsou nezbytné při psaní vědeckých článků, vědeckých prací apod. Cílem je také naučit studenty orientovat se v prostředí profesionálních statistických programů. |
|
||
Last update: doc. Ing. Jana Vránová, CSc. (21.09.2023)
80 %-ní účast na přednáškách, seminářích i cvičeních; úspěšné absolvování zápočtového testu Zápočtový vědomostní test z Lékařské statistiky - test s volnou tvorbou odpovědí - test má 20 otázek (20 bodů): Hodnocení: 20, 19 a 18 bodů = 1 17, 16 a 15 bodů = 2 14, 13 a 12 bodů = 3 méně než 12 budů = 4 Pro zápočet je tedy nutné odpovědět správně 12 z 20 otázek |
|
||
Last update: Mgr. Marek Ploc (08.11.2021)
Literatura a studijní pomůcky:
Další doporučená literatura: 1. Everitt B.S.: An R and S-PLUS® companion to multivariate analysis. 2. (Springer texts in statistics), Springer-Verlag London Limited, 2005, ISBN 1-85233-882-2 3. Abdelmonem Afifi; Virginia A. Clark; Susanne May: Computer-Aided Multivariate Analysis, Fourth Edition, Chapman & Hall/CRC Texts in Statistical Science Series, Issue No. 62, Chapman & Hall/CRC, 2003, ISBN 978-1-58488-308-1 4. Douglas G. Altman: Practical Statistics for Medical Research, Chapman & Hall, London, 1995 5. P. Armitage, G. Berry: Statistical Methods in Medical Research, Blackwell Scientific Publications, Oxford, London, 1994 |
|
||
Last update: Mgr. Marek Ploc (08.11.2021)
Přednášky, semináře, praktická cvičení |
|
||
Last update: Mgr. Marek Ploc (08.11.2021)
80 %-ní účast na přednáškách, seminářích i praktických cvičeních; zápočtový test |
|
||
Last update: Mgr. Marek Ploc (08.11.2021)
Osnova přednášek:
1. Statistické postupy v medicíně: Student se obeznámí se důvody použití statistických metod v medicíně, seznámí se základní strukturou tvorby, plnění cílů klinických a jiných vědeckých projektů, s tvorbou vědeckých publikací a přednášek. 2. a 3. Deskriptivní statistické metody I a II Struktura:
Studenti se seznámí s absolutními a relativními četnostmi a jejich dělením, stejně tak budou umět absolutní a relativní četnosti správně použít. Studenti budou schopni spočítat základní statistické parametry souboru - aritmetický průměr, medián, modus, směrodatnou odchylku, rozptyl, rozpětí atd. Studenti se naučí tyto parametry a četnosti spočítat v prostředí MS Excel a v programu STATISTICA. Studenti budou schopni spočítat základní statistické parametry souboru - aritmetický průměr, medián, modus, směrodatnou odchylku, rozptyl, rozpětí atd. 4. Testování hypotéz Struktura:
Studenti budou umět spočítat t-testy, Mann-Whitneyho U-test, a to jak v prostředí MS Excel, tak v programu STATISTICA. Studenti se seznámí se základy testování hypotéz, a to konkrétně
Také se naučí, kdy použít parametrický a kdy neparametrický test 5. Analýza rozptylu při jednoduchém třídění Struktura
Studenti budou umět spočítat ANOVU i Kruskal-Wallisovu ANOVU i testy následného mnohonásobného porovnávání, a to jak v prostředí MS Excel, tak v programu STATISTICA. Studenti se seznámí se statistickou metodou pro nalezení statisticky významného rozdílu ve sledovaných veličinách v případě tří a více skupin pacientů. Budou rozumět důvodu, proč je nutno použít pro nalezení rozdílu mezi jednotlivými páry skupin pacientů testy následného mnohonásobného porovnávání, a to metodami LSD, pomocí Bonferroniho a Scheffeho testu. Budou vědět, kdy je možno použít klasickou ANOVU a kdy je nutné použít neparametrický Kruskal-Wallisův test. 6. Kontingenční tabulky Struktura:
Studenti budou znát základní použití kontingenčních tabulek, které vznikají při zkoumání diskrétních nebo kvalitativních znaků. Pokud bychom chtěli pomocí kontingenčních tabulek analyzovat spojité proměnné, převádíme je nejčastěji na intervalové proměnné, kdy intervaly představují zvolený libovolný počet kategorií pro danou proměnnou. Kontingenční tabulky jsou analogií s korelační analýzou v případech, kdy tuto nemůžeme použít. Studenti budou umět interpretovat výsledky kontingenčních tabulek, budou vědět, kdy je potřeba použít Fisherův exaktní test, kdy jej můžeme použít. 7. Korelace a jednoduchá regrese Struktura:
Student se seznámí s tím, že korelační analýza slouží k nalezení a poznání statistických závislostí dvou a více proměnných a k matematickému popisu těchto vztahů a také slouží k ověření a testování různých deduktivně učiněných teorií právě o tomto zkoumaném vzájemném vztahu. Cílem tohoto zkoumání je vniknutí do podstaty sledovaných jevů a procesů určité oblasti a tím i přiblížení k tzv. příčinným (kauzálním) souvislostem. Přesto, že hlavním cílem korelační analýzy je kvantifikovat intenzitu vzájemného vztahu dvou nebo vícero proměnných, důležitou roli hraje i kvalitativní rozbor příslušného souboru dat. Nemá smysl hledat a měřit závislost tam, kde na základě logické úvahy nemůže existovat, nebo je nesmyslná. V regresní analýze se seznámí i s reziduální analýzou, která slouží k ověření statistické významnosti regresního modelu i k potvrzení, že námi vytvořený model je vhodný pro predikci. 8. Logistická regrese Struktura:
9. ROC analýza a anlýzá náklafů a přínosů Struktura:
ROC křivka (Receiver Operating Characteristic curve = graf prahové operační charakteristiky) byla vyvinuta americkými vědci a poprvé použita během 2. světové války pro přesnější detekci nepřátelských objektů. Je součásti teorie detekce signálů. Dnes nachází široké uplatnění především v oblasti medicíny při lékařském rozhodování, např. v epidemiologii, radiologii, psychologii apod. V posledních letech se ROC analýza stala důležitým nástrojem v oblasti strojového učení pro vyhodnocování a porovnávání kvality algoritmů neuronových sítí a metody vytěžování dat (data mining). V oblasti medicíny se užívá především pro hodnocení kvality a síly diskriminace diagnostických, či screeningových testů, regresních a diskriminačních modelů, při zavádění nových diagnostických přístrojů, nových léků a nových způsobů léčby do medicínské praxe a také při porovnávání více diagnostických metod za účelem vybrat tu nejlepší, při porovnávání různých analytických modelů apod. Její neoddělitelnou součásti se dnes stala analýza nákladů a přínosů (Cost – Benefit Analysis). 10. Analýza přežití Struktura:
11. Analýza hlavních komponent - PCA Struktura:
Nejstarší a nejvíce používaná metoda vícerozměrné analýzy dat – 1901 (Pearson), nezávisle na něm v 1933 Hotelling. Znaky nejsou děleny na závisle a nezávisle proměnné. Metoda lineární transformace původních znaků na nové, nekorelované proměnné – hlavní komponenty. Základní charakteristikou hlavní komponenty – rozptyl. Většina informace o variabilitě původních dat je soustředěna v první komponentě, nejméně informace je soustředěno v poslední. Standardním využitím PCA je snížení dimenze úlohy bez velké ztráty informace. Hlavní komponenty jsou nekorelované |
|
||
Last update: Mgr. Marek Ploc (08.11.2021)
znalosti středoškolské matematiky |
|
||
Last update: doc. Ing. Jana Vránová, CSc. (21.09.2023)
80 %-ní účast na přednáškách, seminářích i cvičeních; úspěšné absolvování zápočtového testu Zápočtový vědomostní test z Lékařské statistiky - test s volnou tvorbou odpovědí - test má 20 otázek (20 bodů): Hodnocení: 20, 19 a 18 bodů = 1 17, 16 a 15 bodů = 2 14, 13 a 12 bodů = 3 méně než 12 budů = 4 Pro zápočet je tedy nutné odpovědět správně 12 z 20 otázek |