RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
|
|
- Richard Havlíček
- před 6 lety
- Počet zobrazení:
Transkript
1 Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy
2 Blok 6 Jak analyzovat kategoriální a binární data II. 2
3 Osnova 1. Hodnocení diagnostických testů 2. Hledání diagnostického cut-off pomocí ROC křivek 3
4 1. Hodnocení diagnostických testů 4
5 Diagnostické testy Příklady: hodnocení úspěšnosti diagnostiky pomocí neuropsychologických testů, hodnocení úspěšnosti klasifikace pacientů s Alzheimerovou chorobou a kontrolních subjektů. Diagnostický test u dané osoby indikuje přítomnost nebo nepřítomnost sledovaného onemocnění. Osoba ve skutečnosti má nebo nemá sledované onemocnění. Zajímají nás diagnostické schopnosti testu. Skutečnost přítomnost nemoci Ano Ne Výsledek diagnostického testu Pozitivní TP FP Negativní FN TN 5
6 Diagnostické testy Skutečnost přítomnost nemoci Ano Ne Výsledek diagnostického testu Pozitivní TP FP Negativní FN TN TP ( true positive ) kolik výsledků bylo skutečně pozitivních (tzn. kolik pacientů bylo správně diagnostikováno jako pacienti). FP ( false positive ) kolik výsledků bylo falešně pozitivních (tzn. kolik zdravých jedinců bylo chybně diagnostikováno jako pacienti). FN ( false negative ) kolik výsledků bylo falešně negativních (tzn. kolik pacientů bylo chybně diagnostikováno jako zdraví). TN ( true negative ) kolik výsledků bylo skutečně negativních (tzn. kolik zdravých lidí bylo správně diagnostikováno jako zdraví). 6
7 Senzitivita, specificita a celková správnost Skutečnost přítomnost nemoci Ano Ne Výsledek diagnostického testu Pozitivní TP FP Negativní FN TN Senzitivita testu: schopnost testu rozpoznat skutečně nemocné osoby, tedy pravděpodobnost, že test bude pozitivní, když je osoba skutečně nemocná. Senzitivita testu = TP / (TP + FN) Specificita testu: schopnost testu rozpoznat osoby bez nemoci, tedy pravděpodobnost, že test bude negativní, když osoba není nemocná. Specificita testu = TN / (FP + TN) Celková správnost: (TP+TN)/(TP+FP+FN+TN) 7
8 Pozitivní a negativní prediktivní hodnota Skutečnost přítomnost nemoci Ano Ne Výsledek diagnostického testu Pozitivní TP FP Negativní FN TN Prediktivní hodnota pozitivního testu: pravděpodobnost, že osoba je skutečně nemocná, když je test pozitivní. Prediktivní hodnota pozitivního testu = TP / (TP + FP) U klasifikací označována jako přesnost ( precision ). Prediktivní hodnota negativního testu: pravděpodobnost, že osoba není nemocná, když je test negativní. Prediktivní hodnota negativního testu = TN / (FN + TN) 8
9 Shrnutí Skutečnost přítomnost nemoci Výsledek diagnostického testu Ano Ne Pozitivní TP FP TP + FP Negativní FN TN FN + TN TP + FN FP + TN Prediktivní hodnota pozitivního testu Prediktivní hodnota negativního testu Senzitivita testu Specificita testu 9
10 Hodnocení diagnostických testů Příklad: Zajímá nás přesnost diagnostiky schizofrenie pomocí neuropsychologických testů. Výsledky diagnostiky jsou dány tabulkou: Výsledek diagnostického testu Skutečnost Nemocný Zdravý Celkem Nemocný Zdravý Celkem Senzitivita testu = 32 / 35 = 91,4 % (IS = 75,8 97,8) Specificita testu = 24 / 26 = 92,3 % (IS = 73,4 98,7) Celková správnost = ( ) / ( ) = 91,8 % Pozitivní prediktivní hodnota testu = 32 / 34 = 94,1 % (IS = 78,9 99,0) Negativní prediktivní hodnota testu = 24 / 27 = 88,9 % (IS = 69,7 97,1) Výpočet pomocí webového kalkulátoru : 10
11 Věrohodnostní poměr ( Likelihood Ratio ) Věrohodnostní poměr (LR) lze definovat následovně: LR = (pravděpodobnost, že test dosáhne daného výsledku u nemocných pacientů) (pravděpodobnost, že test dosáhne daného výsledku u zdravých osob) 2 druhy věrohodnostního poměru: 1. LR+ (LR pro pozitivní test) podíl pravděpodobnosti, že nemocný člověk je testem diagnostikován jako pozitivní, a pravděpodobnosti, že zdravý člověk je chybně diagnostikován jako pozitivní. LR+ = senzitivita /( 1 - specificita) 2. LR- (LR pro negativní test) podíl pravděpodobnosti, že nemocný člověk je testem chybně diagnostikován jako negativní, a pravděpodobnosti, že zdravý člověk je diagnostikován jako negativní. LR - = 1 - senzitivita / specificit ( ) a U kvalitního diagnostického testu chceme, aby LR+ bylo co nejvyšší (LR+ > 10) a LR- co nejnižší (LR- < 0,1). 11
12 Věrohodnostní poměr Příklad: Chceme zjistit věrohodnostní poměr pozitivního a negativního testu u diagnostiky schizofrenie pomocí neuropsychologických testů. Výsledek diagnostického testu Skutečnost Nemocný Zdravý Celkem Nemocný Zdravý Celkem Senzitivita testu = 32 / 35 = 91,4 % (IS = 75,8 97,8) Specificita testu = 24 / 26 = 92,3 % (IS = 73,4 98,7) LR+ = senzitivita / (1-specificita) = 0,914 / (1-0,923) = 11,870 LR- = (1-senzitivita) / specificita = (1-0,914 )/ 0,923 = 0,093 12
13 Úkol 1. Zadání: U 1000 žen byl proveden test, zda jejich dítě bude trpět Downovým syndromem. Výsledky jsou uvedené v tabulce. Vypočtěte senzitivitu, specificitu, pozitivní a negativní prediktivní hodnotu a věrohodnostní poměry pro diagnostický test. Zamyslete se nad tím, zda je test dobrý či nikoliv. Výsledek diagnostického testu Dítě s Downovým syndromem Skutečnost Zdravé dítě Celkem Pozitivní Negativní Celkem
14 Úkol 1. Řešení: 14
15 Úkol 2. Zadání: Zjistěte, jaká byla úspěšnost klasifikace pacientů s Alzheimerovou chorobou a kontrolních subjektů (použijte proměnné Group_3kat a group_klasif). 15
16 2. Hledání diagnostického cut-off pomocí ROC křivek. 16
17 ROC analýza motivace Dříve probrané ukazatele diagnostické síly testů (senzitivita, specificita apod.) nelze použít u diagnostických testů, jejichž výstupem je spojitá (kvantitativní) proměnná (např. koncentrace analytu v krevním séru, systolický krevní tlak). Na základě předchozích výzkumů známe dělicí body, které odlišují normální a patologické hodnoty spojité proměnné, pomocí nichž můžeme spojitou proměnnou binarizovat tzn. vytvoření dvou kategorií pozitivní / negativní (např. pod normou / v normě ). Pokud dělicí body nejsou známy předem, můžeme se je snažit nalézt pomocí ROC ( Receiver Operating Characteristic ) křivky. Cíle ROC analýzy: 1. Určit, zda je spojitá proměnná vhodná pro diagnostické odlišování zdravých a nemocných jedinců. 2. Nalezení dělicího bodu ( cut-off point ) na škále hodnot spojité proměnné, který nejlépe odlišuje zdravé a nemocné jedince. 17
18 ROC analýza Princip: Jakákoli hodnota spojité proměnné nějak rozlišuje zdravé a nemocné jedince, tzn. je spojena s nějakou senzitivitou a specificitou. ROC křivka senzitivita 1 - specificita Zdraví Nemocní Nejlepší dělící bod ( cut-off ) nejvyšší sensitivita a specificita pro odlišení skupin tzn. maximální součet hodnot senzitivity a specificity. 18
19 ROC analýza plocha pod ROC křivkou Plocha pod ROC křivkou = Area Under the Curve (AUC). Nabývá hodnot od 0 do 1. Slouží k vyjádření diagnostické síly (efektivity) testu. Čím větší hodnota AUC, tím lepší diagnostický test je (hodnota AUC nad 0,75 většinou poukazuje na uspokojivou diskriminační schopnost testu). ROC křivka senzitivita 1 - specificita 19
20 ROC analýza srovnání diagnostické síly různých testů ROC křivka test nediskriminuje vůbec senzitivita senzitivita test diskriminuje obráceně dobře diskriminující test 1 - specificita 20
21 ROC analýza srovnání diagnostické síly různých testů Lze srovnat i velmi rozdílné testy (např. testy založené na různých proměnných). Diagnostický test AUC DT1 0,949 DT2 0,872 DT3 0,770 nejlepší nejhorší Zdroj: Dušek, Pavlík, Jarkovský, Koptíková, Analýza dat v Neurologii, Cesk Slov Neurol N 2011; 74/ 107(4) 21
22 ROC analýza Příklad: Zjistěte, zda je MMSE skóre vhodné na diagnostiku mírné kognitivní poruchy (MCI). Najděte dělící bod (cut-off), který nejlépe odlišuje pacienty s MCI od kontrolních subjektů. MMSE skóre Sensitivity 1-Specificity Specificity Sensitivity + Specificity -23 0,002 0,000 1,000 1, ,101 0,000 1,000 1, ,239 0,004 0,996 1, ,399 0,022 0,978 1, ,581 0,061 0,939 1, ,749 0,217 0,783 1, ,924 0,574 0,426 1, ,000 1,000 0,000 1,000 22
23 Hledání cut-off doplnění Příklad: Senzitivita Bod ROC odpovídající hraničnímu bodu (cut-off) Plocha pod křivkou: AUC = (95% IS: 0.657; 0.859) p< Sens Spec Sens+Spec Specificita 23
24 Hledání cut-off kritéria Kritérium Vzoreček Reference Youdenova J statistika 1 maximalizace vzdálenosti od diagonály 2. Nejbližší bod levému hornímu rohu grafu 3. Maximalizace součinu senzitivity a specificity max (ss + ss) W. J. Youden (1950) Index for rating diagnostic tests. Cancer, 3, R-kový balík proc cs.com/roccurve.pdf min ((1 ss) 2 +(1 ss) 2 ) R-kový balík proc cs.com/roccurve.pdf max (ss ss) R-kový balík OptimalCutpoints dr. Budíková používá maximalizaci geometrického průměru sens a spec 1 Youdenova J statistika je definována jako: J = ss + ss 1; při hledání maxima lze ale člen (-1) zanedbat 24
25 Hledání cut-off vážená kritéria (dle R balíku proc) Kritérium Vzoreček Youdenova J statistika 1 maximalizace vzdálenosti od diagonály max (ss + r ss) Nejbližší bod levému hornímu rohu grafu min ((1 ss) 2 +r (1 ss) 2 ) kde: r = 1 pppppppppp cccc pppppppppp cccc penalizace falešně negativních výsledků pppppppppp = n ccccc n ccccc + n cccccccc defaultně: pppppppppp = 0,5 a cccc = 1 25
26 Příklad - pokračování Senzitivita Bod ROC odpovídající hraničnímu bodu (cut-off) Plocha pod křivkou: AUC = (95% IS: 0.657; 0.859) p< Sens Spec Sens+ closest. Sens* Spec topleft Spec Specificita 26
27 Poděkování Příprava výukových materiálů předmětu DSAN01 Analýza dat pro Neurovědy byla finančně podporována prostředky projektu FRVŠ č. 942/2013 Inovace materiálů pro interaktivní výuku a samostudium předmětu Analýza dat pro Neurovědy 27
RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 7 Jak hodnotit vztah spojitých proměnných
ANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT RNDr. Eva Janoušová INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ HODNOCENÍ ÚSPĚŠNOSTI KLASIFIKACE A SROVNÁNÍ KLASIFIKÁTORŮ ÚVOD Vstupní data Subjekt Objem hipokampu Objem komor Skutečnost
RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 8 Jak analyzovat přežití pacientů.
RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 3 Jak a kdy použít parametrické a
RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 4 Jak a kdy použít parametrické a
Motivace. Náhodný pokus, náhodný n jev. Pravděpodobnostn. podobnostní charakteristiky diagnostických testů, Bayesův vzorec
Pravděpodobnostn podobnostní charakteristiky diagnostických testů, Bayesův vzorec Prof.RND.Jana Zvárov rová,, DrSc. Motivace V medicíně má mnoho problémů pravěpodobnostní charakter prognóza diagnoza účinnost
RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 5 Jak analyzovat kategoriální a binární
OR (odds ratio, poměr šancí) nebo též relativní riziko RR. Validita vyšetření nádorových markerů. Validita (určuje kvalitu testu)v % = SP/ SP+FP+FN+SN
Validita vyšetření nádorových markerů v rámci požadavků správné laboratorní práce Preanalytická fáze vyšet etřování sérových nádorových markerů (TM) Základní předpoklady správného užití TM: nádorové markery
Vytěžování znalostí z dat
Vytěžování znalostí z dat Department of Computer Systems Faculty of Information Technology Czech Technical University in Prague Přednáška 5: Hodnocení kvality modelu BI-VZD, 09/2011 MI-POA Evropský sociální
Doc. MUDr. A. Bartoš, PhD. AD Centrum Národní ústav duševního zdraví (NUDZ), Klecany & Neurologická klinika, UK 3.
Doc. MUDr. A. Bartoš, PhD AD Centrum Národní ústav duševního zdraví (NUDZ), Klecany & Neurologická klinika, UK 3. LF a FNKV, Praha Obsah sdělení výběr kognitivních testů: 1) pro demenci test kreslení hodin
Doc. MUDr. A. Bartoš, PhD. AD Centrum Národní ústav duševního zdraví (NUDZ), Klecany & Neurologická klinika, UK 3.
Doc. MUDr. A. Bartoš, PhD AD Centrum Národní ústav duševního zdraví (NUDZ), Klecany & Neurologická klinika, UK 3. LF a FNKV, Praha Jak najít hranice mezi stárnutím a Alzheimerovou nemocí? Bartoš, Raisová:
Lineární a logistická regrese
Lineární a logistická regrese Martin Branda Univerzita Karlova v Praze Matematicko-fyzikální fakulta Katedra pravděpodobnosti a matematické statistiky Výpočetní prostředky finanční a pojistné matematiky
Jana Vránová, 3. lékařská fakulta, UK Praha
Jana Vránová, 3. lékařská fakulta, UK Praha Byla navržena v 60tých letech jako alternativa k metodě nejmenších čtverců pro případ, že vysvětlovaná proměnná je binární Byla především používaná v medicíně
Doc. MUDr. Aleš Bartoš, PhD. AD Centrum, Národní ústav duševního zdraví &Neurologická klinika, UK 3. LF a FNKV, Praha
Doc. MUDr. Aleš Bartoš, PhD AD Centrum, Národní ústav duševního zdraví &Neurologická klinika, UK 3. LF a FNKV, Praha Národní ústav duševního zdraví, Oddělení kognitivních poruch, Klecany u Prahy Kde nové
Motivace. Náhodný pokus, náhodný n jev. pravděpodobnost. podobnostní charakteristiky diagnostických testů, Bayesův vzorec. Prof.RND. RND.
Pravděpodobnostn podobnostní charateristiy diagnosticých testů, Bayesův vzorec Prof.RND RND.Jana Zvárov rová,, DrSc. Náhodný pous, náhodný n jev Náhodný pous: výslede není jednoznačně určen podmínami,
Studie Crossing Borders: snaha o zefektivnění screeningu kolorektálního karcinomu
Ústřední vojenská nemocnice - Vojenská fakultní nemocnice Praha 1. lékařská fakulta Univerzity Karlovy Interní klinika Studie Crossing Borders: snaha o zefektivnění screeningu kolorektálního karcinomu
Počet pravděpodobnosti
PSY117/454 Statistická analýza dat v psychologii Přednáška 4 Počet pravděpodobnosti Je známo, že když muž použije jeden z okrajových pisoárů, sníží se pravděpodobnost, že bude pomočen o 50%. anonym Pravděpodobnost
Doc. MUDr. A. Bartoš, PhD. AD Centrum Národní ústav duševního zdraví (NUDZ), Klecany & Neurologická klinika, UK 3.
Doc. MUDr. A. Bartoš, PhD AD Centrum Národní ústav duševního zdraví (NUDZ), Klecany & Neurologická klinika, UK 3. LF a FNKV, Praha Změna nároků na kognitivní test dříve:zjistit syndrom demence (tj. když
Rozhodovací procesy 8
Rozhodovací procesy 8 Rozhodování za jistoty Příprava předmětu byla podpořena projektem OPPA č. CZ.2.17/3.1.00/33253 VIII rozhodování 1 Rozhodování za jistoty Cíl přednášky 8: Rozhodovací analýza Stanovení
PRAVDĚPODOBNOST JE. Martina Litschmannová
RAVDĚODOBNOST JE Martina Litschmannová Čím se zabývá teorie pravděpodobnosti? Teorie pravděpodobnosti je matematická disciplína popisující zákonitosti týkající se náhodných jevů, tj. používá se k modelování
Validita kožní biopsie u bolestivé senzitivní polyneuropatie při využití intraepidermální a subepidermální denzity kožních nervových vláken
Validita kožní biopsie u bolestivé senzitivní polyneuropatie při využití intraepidermální a subepidermální denzity kožních nervových vláken J.Bednařík 1, E.Moravcová 1, L.Dušek 2, C.Sommer 3 1 II.neurologická
Úvod do neuropsychologie
Úvod do neuropsychologie Martin Vyhnálek Centrum pro kognitivní poruchy, Neurologická klinika dospělých UK, 2. lékařské fakulty a FN Motol Neuropsychologické vyšetření Screeningové vyšetření lékař MMSE,
Obr. 1: Vizualizace dat pacientů, kontrolních subjektů a testovacího subjektu.
Řešení příkladu - klasifikace testovacího subjektu pomocí Bayesova klasifikátoru: ata si vizualizujeme (Obr. ). Objem mozkových komor 9 8 7 6 5 pacienti kontroly testovací subjekt 5 6 Objem hipokampu Obr.
ProGastrin-Releasing Peptide (ProGRP) u nemocných s malobuněčným karcinomem plic
ProGastrin-Releasing Peptide (ProGRP) u nemocných s malobuněčným karcinomem plic FONS Symposium klinické biochemie Pardubice, 23.9. 25.9.202 M. Tomíšková, J. Skřičková, I. Klabenešová, M. Dastych 2 Klinika
6. PŘEDNÁŠKA DIAGNOSTICKÉ (SCREENINGOVÉ) TESTY V EPIDEMIOLOGII SCREENING
6. PŘEDNÁŠKA DIAGNOSTICKÉ (SCREENINGOVÉ) TESTY V EPIDEMIOLOGII SCREENING DIAGNOSTICKÉ TESTY V EPIDEMIOLOGII Diagnóza v populačních šetřeních Musíme rozhodnout o každé osobě v souboru, zda se vyznačuje
Umíme odlišit MCI od přirozeného stárnutí?
Umíme odlišit MCI od přirozeného stárnutí? Tomáš Nikolai Kognitivní centrum, Neurologická klinika 2.LF UK a FN Motol v Praze Universita Karlova v Praze, 1. lékařská fakulta a Všeobecná fakultní nemocnice
DATOVÝ AUDIT MAMOGRAFICKÉHO SCREENINGU
DATOVÝ AUDIT MAMOGRAFICKÉHO SCREENINGU Obsah a otazníky AUTOŘI: Adam Svobodník Daniel Klimeš Ladislav Dušek Obsah datového auditu pracoviště závazné minimum Deskriptivní údaje o klientkách Sumarizace provedených
Hodnocení a modelování populačních dat na příkladu epidemiologie vážných chorob: I. Analýza dat, princip predikcí.
Hodnocení a modelování populačních dat na příkladu epidemiologie vážných chorob: I. Analýza dat, princip predikcí. Úvod do matematické biologie Tomáš Pavlík & O. Májek, L. Dušek, J. Mužík, E. Gelnarová,
StatSoft Jaký je mezi nimi rozdíl?
StatSoft Jaký je mezi nimi rozdíl? GAINS ROC X P okud se zabýváte klasifikačními úlohami, pak většinou potřebujete nějakým způsobem mezi sebou porovnat kvalitu vyprodukovaných modelů. Mezi základní pomůcky
Analýza dat na PC I.
CENTRUM BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita Analýza dat na PC I. Popisná analýza v programu Statistica IBA výuka Základní popisná statistika Popisná statistika
analýzy dat v oboru Matematická biologie
INSTITUT BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita Komplexní přístup k výuce analýzy dat v oboru Matematická biologie Tomáš Pavlík, Daniel Schwarz, Jiří Jarkovský,
Aleš BARTOŠ. AD Centrum Neurologická klinika, UK 3. LF a FNKV, Praha & Psychiatrické centrum Praha
Aleš BARTOŠ AD Centrum Neurologická klinika, UK 3. LF a FNKV, Praha & Psychiatrické centrum Praha Psychiatrické centrum Praha, Bohnice Poradna pro poruchy paměti, Neurologická klinika UK 3. LF, FN Královské
Vztah pravděpodobnosti, statistiky a biostatistiky
Vztah pravděpodobnosti, statistiky a biostatistiky V této kapitole dáme biostatistiku do kontextu s teorií pravděpodobnosti, z níž biostatistika společně se statistikou vycházeí Cílem e zavést důležité
Kognitivní profil demence
Úvod do neuropsychologie Martin Vyhnálek Centrum pro kognitivní poruchy, Neurologická klinika dospělých UK, 2. lékařské fakulty a FN Motol Kognitivní profil demence Začátek v určitém místě mozku Postupné
Klinicko-biochemická vyšetření Enzymy v klinické diagnostice 2
Klinicko-biochemická vyšetření Enzymy v klinické diagnostice 2 Faktory preanalytické a analytické fáze vyšetření ovlivňující výsledek a jeho interpretaci přesnost, normální rozložení dat, pravdivost, správnost,
Takto ne! Standardní neurologické vyšetření postihne jen malou část kortexu. Takto ano, ale jak se v tom vyznat? 11/6/2015
Jak hodnotit závěr neuropsychologického vyšetření Takto ne! Kognitivní výkon v pásmu podprůměru. IQ 90. neodpovídá premorbidním možnostem pacienta.. pravděpodobný organicky podmíněný kognitivní deficit.
4. SEMINÁŘ SCREENING DIAGNOSTICKÉ/SCREENINGOVÉ TESTY V EPIDEMIOLOGII
4. SEMINÁŘ SCREENING DIAGNOSTICKÉ/SCREENINGOVÉ TESTY V EPIDEMIOLOGII SCREENING Screening v systému péče o zdraví Péče o zdraví (zdravotní péče) laická péče o osobní zdraví odborná péče - individuální -
Přednáška II. Vztah pravděpodobnosti, statistiky a biostatistiky
řednáška II. Vztah pravděpodobnosti, statistiky a biostatistiky Statistika vychází z pravděpodobnosti odmíněná pravděpodobnost, Bayesův vzorec Senzitivita, specificita, prediktivní hodnoty Frekventistická
Induktivní statistika. z-skóry pravděpodobnost
Induktivní statistika z-skóry pravděpodobnost normální rozdělení Z-skóry umožňují najít a popsat pozici každé hodnoty v rámci rozdělení hodnot a také srovnávání hodnot pocházejících z měření na rozdílných
DATA MINING KLASIFIKACE DMINA LS 2009/2010
DATA MINING KLASIFIKACE DMINA LS 2009/2010 Osnova co je to klasifikace typy klasifikátoru typy výstupu jednoduchý klasifikátor (1R) rozhodovací stromy Klasifikace (ohodnocení) zařazuje data do předdefinovaných
SEZNAM VZDĚLÁVACÍCH MATERIÁLŮ - ANOTACE
SEZNAM VZDĚLÁVACÍCH MATERIÁLŮ - ANOTACE Číslo projektu Číslo a název šablony klíčové aktivity Tematická oblast Autor CZ.1.07/1.5.00/34.0797 III/2 INOVACE A ZKVALITNĚNÍ VÝUKY PROSTŘEDNICTVÍM ICT 2M3 Slovní
Aleš BARTOŠ. AD Centrum Neurologická klinika, UK 3. LF a FNKV, Praha & Psychiatrické centrum Praha
Aleš BARTOŠ AD Centrum Neurologická klinika, UK 3. LF a FNKV, Praha & Psychiatrické centrum Praha Psychiatrické centrum Praha, Bohnice Národní ústav duševního zdraví, NÚDZ, Klecany Poradna pro poruchy
Stav vývoje klasifikačního systému hospitalizačních případů CZ DRG
Stav vývoje klasifikačního systému hospitalizačních případů CZ DRG Tomáš Pavlík, Markéta Bartůňková, Jan Linda, Petr Klika, Miroslav Zvolský, Zbyněk Bortlíček, Michal Uher, Petra Kovalčíková, Ladislav
Aglutinace Mgr. Jana Nechvátalová
Aglutinace Mgr. Jana Nechvátalová Ústav klinické imunologie a alergologie FN u sv. Anny v Brně Aglutinace x precipitace Aglutinace Ag + Ab Ag-Ab aglutinogen aglutinin aglutinát makromolekulární korpuskulární
RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 2 Jak medicínská data správně testovat.
Diagnostika infarktu myokardu pomocí pravidlových systémů
pomocí pravidlových systémů Bakalářská práce 2009 pomocí pravidlových systémů Přehled prezentace Motivace a cíle Infarkt myokardu, EKG Pravidlové systémy Výsledky Motivace Infarkt myokardu Detekce infarktu
Přednáška II. Vztah pravděpodobnosti, statistiky a biostatistiky
řednáška II. Vztah pravděpodobnosti, statistiky a biostatistiky Statistika vychází z pravděpodobnosti odmíněná pravděpodobnost, Bayesůvvzorec Senzitivita, specificita, prediktivní hodnoty Frekventistická
Vzorová písemka č. 1 (rok 2015/2016) - řešení
Vzorová písemka č. rok /6 - řešení Pavla Pecherková. května 6 VARIANTA A. Náhodná veličina X je určena hustotou pravděpodobností: máme hustotu { pravděpodobnosti C x pro x ; na intervalu f x jinde jedná
CZ.1.07/1.2.08/ Vyhledávání talentů pro konkurenceschopnost a práce s nimi. Závislost úspěšnosti v testu TP2 na známce z matematiky
úspěšnost v % CZ.1.07/1.2.08/02.0017 Vyhledávání talentů pro konkurenceschopnost a práce s nimi TEST TROJÚHELNÍKŮ Test rovnostranných trojúhelníků (TP2) vychází z Testu čtverců (IQ test parciálních a kombinovaných
Statistika pro geografy
Statistika pro geografy 2. Popisná statistika Mgr. David Fiedor 23. února 2015 Osnova 1 2 3 Pojmy - Bodové rozdělení četností Absolutní četnost Absolutní četností hodnoty x j znaku x rozumíme počet statistických
Přednáška XI. Asociace ve čtyřpolní tabulce a základy korelační analýzy
Přednáška XI. Asociace ve čtyřpolní tabulce a základy korelační analýzy Relativní riziko a poměr šancí Princip korelace dvou náhodných veličin Korelační koeficienty Pearsonůva Spearmanův Korelace a kauzalita
Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1
Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu
TECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Základní pojmy diagnostiky a statistických metod vyhodnocení Učební text Ivan Jaksch Liberec 2012 Materiál vznikl
Validace sérologických testů výrobcem. Vidia spol. s r.o. Ing. František Konečný IV/2012
Validace sérologických testů výrobcem Vidia spol. s r.o. Ing. František Konečný IV/2012 Legislativa Zákon č. 123/2000 Sb. o zdravotnických prostředcích ve znění pozdějších předpisů Nařízení vlády č. 453/2004
2. Základní typy dat Spojitá a kategoriální data Základní popisné statistiky Frekvenční tabulky Grafický popis dat
2. Základní typy dat Spojitá a kategoriální data Základní popisné statistiky Frekvenční tabulky Grafický popis dat Anotace Realitu můžeme popisovat různými typy dat, každý z nich se specifickými vlastnostmi,
jevu, čas vyjmutí ze sledování byl T j, T j < X j a T j je náhodná veličina.
Parametrické metody odhadů z neúplných výběrů 2 1 Metoda maximální věrohodnosti pro cenzorované výběry 11 Náhodné cenzorování Při sledování složitých reálných systémů často nemáme možnost uspořádat experiment
prekrocena mez ukazatele kvality.
Příklad efektivního využití dataminingových metod v oblasti kontroly kvality výroby Mgr. Petra Beranová Pokud hovoříme o data miningu (dolování dat), většina z nás si jako typické oblasti využití vybaví
Dolování asociačních pravidel
Dolování asociačních pravidel Miloš Trávníček UIFS FIT VUT v Brně Obsah přednášky 1. Proces získávání znalostí 2. Asociační pravidla 3. Dolování asociačních pravidel 4. Algoritmy pro dolování asociačních
Kurz Biostatistiky pro zaměstnance FNO
Kurz Biostatistiky pro zaměstnance FNO 1. Představme si, že provádíme test na okultní krvácení ve stolici (FOB) u 2 030 osob ke zjištění chorobných změn v dolní části zažívacího traktu. Pak můžeme popsat
Složitost fluencí pro IMRT pole
Složitost fluencí pro IMRT pole Ing. Tereza Kulatá 1) Mgr. Vladimír Vondráček 2) Ing. Klára Badraoui-Čuprová 2) 1) FJFI ČVUT v Praze Katedra dozimetrie a aplikace ionizujícího záření 2) Radiofyzikální
přesnost (reprodukovatelnost) správnost (skutečná hodnota)? Skutečná hodnota použití různých metod
přesnost (reprodukovatelnost) správnost (skutečná hodnota)? Skutečná hodnota použití různých metod Měření Pb v polyethylenu 36 různými laboratořemi 0,47 0 ± 0,02 1 µmol.g -1 tj. 97,4 ± 4,3 µg.g -1 Měření
Biomarkery v moku Vyšetření mozkomíšního moku v časné a diferenciální diagnostice degenerativních onemocnění CNS.
Vyšetření mozkomíšního moku v časné a diferenciální diagnostice degenerativních onemocnění CNS. Demence Práh demence Martin Vyhnálek MCI mírná kognitivní porucha Centrum pro kognitivní poruchy a Neurologická
ANALÝZA DAT V R 7. KONTINGENČNÍ TABULKA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK.
ANALÝZA DAT V R 7. KONTINGENČNÍ TABULKA Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK www.biostatisticka.cz PŘEHLED TESTŮ rozdělení normální spojité alternativní / diskrétní
Tabulka 1. Výběr z datové tabulky
1. Zadání domácího úkolu Vyberte si datový soubor obsahující alespoň jednu kvalitativní a jednu kvantitativní proměnnou s alespoň 30 statistickými jednotkami (alespoň 30 jednotlivých údajů). Zdroje dat
II. Vzorce v Excelu Tipy pro práci s Wordem Kontingenční tabulky v Excelu, 1. část
II. Vzorce v Excelu Tipy pro práci s Wordem Kontingenční tabulky v Excelu, 1. část Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek, M. Cvanová Zdroje dat Excelu Import
Metody analýzy modelů. Radek Pelánek
Metody analýzy modelů Radek Pelánek Fáze modelování 1 Formulace problému 2 Základní návrh modelu 3 Budování modelu 4 Verifikace a validace 5 Simulace a analýza 6 Sumarizace výsledků Simulace a analýza
metoda Regula Falsi 23. října 2012
Hledání kořenů rovnic jedné reálné proměnné metoda Regula Falsi Michal Čihák 23. října 2012 Metoda Regula Falsi hybridní metoda je kombinací metody sečen a metody půlení intervalů předpokladem je (podobně
Kalibrace a limity její přesnosti
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie Kalibrace a limity její přesnosti Semestrální práce Licenční studium GALILEO Interaktivní statistická analýza dat Brno, 2015
Biostatistika a e-learning na Lékařské fakultě UK v Hradci Králové
Univerzita Karlova v Praze Lékařská fakulta v Hradci Králové Ústav lékařské biofyziky Biostatistika a e-learning na Lékařské fakultě UK v Hradci Králové Josef Hanuš, Josef Bukač, Iva Selke-Krulichová,
Výpočet pravděpodobností
Výpočet pravděpodobností Pravděpodobnostní kalkulátor v programu STATISTICA Cvičení 5 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen 2016 Ambrožová Klára Trocha teorie Náhodné jevy mají
Základy popisné statistiky. Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek
Základy popisné statistiky Anotace Realitu můžeme popisovat různými typy dat, každý z nich se specifickými vlastnostmi, výhodami, nevýhodami a vlastní sadou využitelných statistických metod -od binárních
Nové biomarkery u akutního srdečního selhání
Nové biomarkery u akutního srdečního selhání MUDr. Mgr. Jiří Pařenica, Ph.D. Interní kardiologická klinika, Fakultní nemocnice, Brno Přednosta: Prof. MUDr. Jindřich Špinar, CSc. Molekulární biomarkery
Jana Vránová, 3. lékařská fakulta UK
Jana Vránová, 3. lékařská fakulta UK Vznikají při zkoumání vztahů kvalitativních resp. diskrétních znaků Jedná se o analogii s korelační analýzou spojitých znaků Přitom předpokládáme, že každý prvek populace
SCREENING KOLOREKTÁLNÍHO KARCINOMU
SCREENING KOLOREKTÁLNÍHO KARCINOMU 2000 2014 Doc. MUDr. Bohumil Seifert, Ph.D. Ústav všeobecného lékařství 1. LF UK v Praze 2014 Česká republika Kolorektální karcinom v ČR: výzva pro celou společnost Tragická
Analytické znaky laboratorní metody Interní kontrola kvality Externí kontrola kvality
Analytické znaky laboratorní metody Interní kontrola kvality Externí kontrola kvality RNDr. Alena Mikušková FN Brno Pracoviště dětské medicíny, OKB amikuskova@fnbrno.cz Analytické znaky laboratorní metody
4. Vzorce v Excelu Tipy pro práci s Wordem Kontingenční tabulky v Excelu
4. Vzorce v Excelu Tipy pro práci s Wordem Kontingenční tabulky v Excelu Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek, M. Cvanová Zdroje dat Excelu Import dat
Klinická biochemie. Antonín Jabor, Janka Franeková. IKEM Praha 3. LF UK Praha
Klinická biochemie Antonín Jabor, Janka Franeková IKEM Praha 3. LF UK Praha Klinická biochemie základní lékařský obor, samostatná atestace v oboru pracují lékaři i nelékaři partnerství s klinickými pracovníky
Diagnostika afázie v praxi
Diagnostika afázie v praxi pokračování Milena Košťálová Neurologická klinika LF MU a FN Brno CEITEC MU Brno Zsolt Cséfalvay Katedra logopédie PdFUK v Bratislave Neurologická klinika Centrum klinických
Pilotní projekt časné diagnostiky Alzheimerovy demence a podobných neurodegenerativních onemocnění ve městě Brně. Mgr.
Pilotní projekt časné diagnostiky Alzheimerovy demence a podobných neurodegenerativních onemocnění ve městě Brně Mgr. Michal Kurečka Participující instituce Magistrát města Brna Ústav zdravotnických informací
Tekuté biopsie u mnohočetného myelomu
Tekuté biopsie u mnohočetného myelomu Mgr. Veronika Kubaczková Babákova myelomová skupina ÚPF LF MU Pacientský seminář 11. května 2016, Brno Co jsou tekuté biopsie? Představují méně zatěžující vyšetření
Diskriminační analýza hodnocení rozdílů mezi 2 nebo více skupinami objektů charakterizovanými více znaky
Diskriminační analýza hodnocení rozdílů mezi 2 nebo více skupinami objektů charakterizovanými více znaky Interpretují rozdíly mezi předem stanovenými třídami Cílem je klasifikace objektů do skupin Hledáme
ANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz III. PŘÍZNAKOVÁ KLASIFIKACE - ÚVOD PŘÍZNAKOVÝ POPIS Příznakový obraz x zpracovávaných
10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
Přednáška III. Data, jejich popis a vizualizace. Náhodný výběr, cílová a výběrová populace Typy dat Vizualizace různých typů dat Popisné statistiky
Přednáška III. Data, jejich popis a vizualizace Náhodný výběr, cílová a výběrová populace Typy dat Vizualizace různých typů dat Popisné statistiky Opakování podmíněná pravděpodobnost Ω A A B B Jak můžu
Lékařská biofyzika, výpočetní technika I
Lékařská biofyzika, výpočetní technika I Biostatistika Josef Tvrdík (doc. Ing. CSc.) Hana Tomášková (Ing. Ph.D.) Přírodovědecká fakulta, katedra informatiky josef.tvrdik@osu.cz konzultace úterý 14.10 až
( + ) ( ) f x x f x. x bude zmenšovat nekonečně přesný. = derivace funkce f v bodě x. nazýváme ji derivací funkce f v bodě x. - náš základní zápis
1.. Derivace elementárních funkcí I Předpoklad: 1 Shrnutí z minulé hodin: Chceme znát jakým způsobem se mění hodnot funkce f ( f ( + f ( přibližná hodnota změn = přesnost výpočtu se bude zvětšovat, kdž
Inferenční statistika - úvod. z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů
Inferenční statistika - úvod z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů Pravděpodobnost postupy induktivní statistiky vycházejí z teorie pravděpodobnosti pravděpodobnost, že
VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE VYUŽITÍ LOGISTICKÉ REGRESE VE VÝZKUMU TRHU
VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Fakulta informatiky a statistiky Studijní program: Kvantitativní metody v ekonomice Studijní obor: Statistické a pojistné inženýrství Diplomant: Hana Brabcová Vedoucí diplomové
Hodnocení klasifikátoru Test nezávislosti. 14. prosinec Rozvoj aplikačního potenciálu (RAPlus) CZ.1.07/2.4.00/
Čtyřpolní tabulky Čtyřpolní tabulky 14. prosinec 2012 Rozvoj aplikačního potenciálu (RAPlus) CZ.1.07/2.4.00/17.0117 O čem se bude mluvit? Čtyřpolní tabulky Osnova prezentace Čtyřpolní tabulky 1. přístupy
clues informační kapacita (stanovování priorit, e-mail) zpráva o stylech Jan Vzor Administrace: 24.10.2011 Zpráva vytvořena: 24.10.
clues informační kapacita (stanovování priorit, e-mail) zpráva o stylech Jan Vzor Administrace: 24.10.2011 Zpráva vytvořena: 24.10.2011 powered by clues - zpráva o stylech Nástroj cut-e clues nabízí standardizované
VÝSKYT PROTILÁTEK TŘÍDY IgM PO VAKCINACI PROTI VIROVÉ HEPATITIDĚ A
VÝSKYT PROTILÁTEK TŘÍDY IgM PO VAKCINACI PROTI VIROVÉ HEPATITIDĚ A Ing. František Štumr, Ph.D., RNDr. Stanislava Fabiánová, Ing. Barbara Štumrová, MUDr. Zuzana Kala Grofová PharmDr. Jiří Skalický, Ph.D.
VÝUKOVÉ VYUŽITÍ INFORMAČNÍCH SYSTÉMŮ PRO PROGRAMY SCREENINGU ZHOUBNÝCH NÁDORŮ PRSU, TLUSTÉHO STŘEVA A KONEČNÍKU A HRDLA DĚLOŽNÍHO
VÝUKOVÉ VYUŽITÍ INFORMAČNÍCH SYSTÉMŮ PRO PROGRAMY SCREENINGU ZHOUBNÝCH NÁDORŮ PRSU, TLUSTÉHO STŘEVA A KONEČNÍKU A HRDLA DĚLOŽNÍHO O. Májek, J. Daneš, M. Zavoral, V. Dvořák, D. Klimeš, D. Schwarz, J. Gregor,
SPRÁVNÁ INTERPRETACE INDIKÁTORŮ KVALITY MAMOGRAFICKÉHO SCREENINGU. Májek, O., Svobodník, A., Klimeš, D.
SPRÁVNÁ INTERPRETACE INDIKÁTORŮ KVALITY MAMOGRAFICKÉHO SCREENINGU Májek, O., Svobodník, A., Klimeš, D. Smysl indikátorů kvality Statisticky významné snížení úmrtnosti lze očekávat až po delší době, posouzení
8 Coxův model proporcionálních rizik I
8 Coxův model proporcionálních rizik I Předpokládané výstupy z výuky: 1. Student umí formulovat Coxův model proporcionálních rizik 2. Student rozumí významu regresních koeficientů modelu 3. Student zná
Heterogenita v poskytování akutní lůžkové péče v ČR
Heterogenita v poskytování akutní lůžkové péče v ČR Markéta Bartůňková, Tomáš Pavlík, Zbyněk Bortlíček, Petra Kovalčíková, Ladislav Dušek, Petr Klika, Jan Linda a tým projektu DRG Restart Ústav zdravotnických
MUDr. Jolana Kotoučová. AD Centrum, Národní ústav duševního zdraví
MUDr. Jolana Kotoučová AD Centrum, Národní ústav duševního zdraví Zdroje a charakter informací u kognitivních poruch PACIENT kognitivní testování: MoCA MMSE slovní produkce zvířat test kreslení hodin aj.
Závěrečná zpráva o seminářích Rozvíjíme matematickou gramotnost na základní a střední škole v roce 2015
Závěrečná zpráva o seminářích Rozvíjíme matematickou gramotnost na základní a střední škole v roce 20. Úvod Vzhledem k závažnosti matematického vzdělávání, které provází děti a žáky od předškolního věku
INDUKTIVNÍ STATISTIKA
10. SEMINÁŘ INDUKTIVNÍ STATISTIKA 3. HODNOCENÍ ZÁVISLOSTÍ HODNOCENÍ ZÁVISLOSTÍ KVALITATIVNÍ VELIČINY - Vychází se z kombinační (kontingenční) tabulky, která je výsledkem třídění druhého stupně KVANTITATIVNÍ
Cvičná bakalářská zkouška, 1. varianta
jméno: studijní obor: PřF BIMAT počet listů(včetně tohoto): 1 2 3 4 5 celkem Cvičná bakalářská zkouška, 1. varianta 1. Matematická analýza Najdětelokálníextrémyfunkce f(x,y)=e 4(x y) x2 y 2. 2. Lineární
Zpřístupnění populačních epidemiologických registrů pro výuku: Národní onkologický registr ČR on-line
Institut biostatistiky a analýz, Masarykova univerzita, Brno Zpřístupnění populačních epidemiologických registrů pro výuku: Národní onkologický registr ČR on-line Mužík J., Dušek L., Kubásek M., Koptíková