DS824: Fra Data til Evidens

Det Naturvidenskabelige Studienævn

Undervisningssprog: Dansk, men engelsk ved internationale studerende
EKA: N340079102
Censur: Intern prøve, to eller flere bedømmere
Bedømmelse: 7-trinsskala
Udbudssteder: Odense
Udbudsterminer: Efterår
Niveau: Kandidat

STADS ID (UVA): N340079101
ECTS-point: 5

Godkendelsesdato: 13-05-2020


Varighed: 1 semester

Version: Godkendt - aktiv

Indgangskrav

Universitetsbachelor eller lignende.
Dette kursus kan ikke tages af bachelor- eller kandidatstuderende på Datalogi

Faglige forudsætninger

Kurset kan tages på tredje semester af kandidatuddannelse i Data Science.
Den studerende forventes at

  • have kendskab til machine learning og kunstig intelligens, f.eks. fra de obligatoriske fag på Data Science.
  • have kendskab til grundlæggende beskrivende statistik f.eks. fra fagene “Introduction to Basic Biostatistical Terms and Regression“ og “Introduktion til Sundhedsdata”.

Det er en forudsætning at hver studerende medbringer en bærbar computer til alle timerne. Statistikprogrammet STATA skal være downloadet på computeren (downloades via din studieside på mitsdu.dk). Hvis der er studerende der hellere vil bruge andre statistikprogrammer end STATA, skal disse programmer være installeret og de pågældende studerende skal være selvkørende i disse programmer.

Formål

Formål

Sundhedsvæsenet bygger på evidens. Det betyder at ny teknologi og nye behandlingsformer kun implementeres, hvis der er evidens for at de har en positiv effekt. Det er således centralt at kunne påvise kausale sammenhænge. Kursets formål er at gøre den studerende i stand til at forstå evidensbegrebets rolle i sundhedsvæsenet og metoderne til at afdække kausale sammenhænge. Dette er vigtigt for at sikre at den studerende bliver i stand til at vurdere hvornår ny teknologi, herunder kunstig intelligens, forventes at kunne implementeres i sundhedsvæsenet. 

Viden
Faget giver den studerende en viden om hvad der forstås ved Health Data Science og hvordan data science forstås og benyttes indenfor sundhedssektoren. Faget vil indeholde oplæg fra gæsteforelæsere der beskæftiger sig med Health Data Science.  

Kompetencer
I kurset opnås kompetencer i: 

  1. at skelne mellem de tre emner indenfor Health Data Science (data beskrivelse, prediktion og kausal analyse)
  2. kunne diskutere fordele og ulemper mellem metoder til kausal analyse og forholde sig kritisk til antagelserne bag metoderne. 
  3. kunne bruge evidensbegrebet til at forholde sig til muligheder og begrænsninger i brug af kunstig intelligens indenfor sundhedssektoren
  4. at kunne forstå den grundlæggende tilgang til programmering af kausale analyser i stata (interrupted times series, regression discontinuity, difference in difference, instrumental variables)

Generelle kompetencer:

  1. viden om fagretningens behov og muligheder i arbejdet med og behandling af data
  2. kompetencer i at udvælge, anvende og sammensætte de rette programmerings-, statistik- og maskinlæringsværktøjer og -metoder til at arbejde med data inden for fagretningen
  3. færdigheder i at styre arbejds- og udviklingssituationer, der er komplekse inden for databehandlings- og analyseområde samt i at igangsætte og gennemføre analyse

Målbeskrivelse

For at opnå kursets formål er det læringsmålet for kurset, at den studerende demonstrerer evne til at:            

  • Redegøre for emnerne indenfor Health Data Science
  • Forstå forskellen mellem association og kausalitet
  • Redegøre for de væsentligste antagelser bag metoderne til at afdække kausalitet ved brug af observationelle data
  • Forstå hvilke krav om evidens der er til ny teknologi, herunder kunstig intelligens, i sundhedsvæsenet

Indhold

Health Data Science består af tre emner; data beskrivelse, prediktion og kausal analyse. Kurset indeholder en introduktion til begrebet Health Data Science og sætter de opnåede kompentencer fra de indledende obligatoriske fag i databehandling og prediktion (AI og machine learning) ind i en Health Data Science kontekst.

Programmeringmæssigt er der fokus på at opstille modeller til kausal analyse. Kurset dækker følgende overordnede områder:

  • Del 1: Introduktion til Health Data Science
  • Del 2: Metoder til afdækning af kausale sammenhænge 
  • Del 3: Brug af kunstig intelligens (prediktion) i sundhedssektoren

Litteratur

Se itslearning for pensumlister og yderligere litteraturhenvisninger.

Eksamensbestemmelser

Eksamenselement a)

Tidsmæssig placering

Januar

Udprøvninger

Mundtlig eksamen

EKA

N340079102

Censur

Intern prøve, to eller flere bedømmere

Bedømmelse

7-trinsskala

Identifikation

Studiekort

Sprog

Følger, som udgangspunkt, undervisningssprog

Hjælpemidler

Oplyses på kurset.

ECTS-point

5

Uddybende information

Den mundtlige eksamen tager udgangspunkt i en synopsis udarbejdet af den studerende. Synopsis kan være udarbejdet i grupper.

Vejledende antal undervisningstimer

24 timer per semester

Undervisningsform

På naturvidenskab er undervisningen tilrettelagt efter trefasemodellen dvs. intro, trænings- og studiefasen.

  • Introfase 16 timer (forelæsning)
  • Træningsfase 8 timer (stata)

Aktiviteter i studiefasen

  • Selvstudium af visse emner fra pensum
  • Selvstændig opsamling på intro og træningsfasen
  • Udarbejdelse af synopsis

Ansvarlig underviser

Navn E-mail Institut
Kim Rose Olsen krolsen@sdu.dk DaCHE - Dansk Center for Sundhedsøkonomi

Skemaoplysninger

Administrationsenhed

Institut for Matematik og Datalogi (datalogi)

Team hos Uddannelsesjura & Registratur

NAT

Udbudssteder

Odense

Anbefalede studieforløb

Profil Uddannelse Semester Udbuds periode