Biometrie und Epidemiologie - Cheatsheet

Definition und Aufgaben der Biometrie

Definition:

Biometrie befasst sich mit der statistischen Analyse biologischer Daten und der Entwicklung von Methoden zur Auswertung solcher Daten.

Details:

• Wesentlich für Studienplanung, Datenanalyse und Ergebnisinterpretation in der Medizin.
• Anwendung von statistischen Methoden zur Lösung biologischer und medizinischer Fragestellungen.
• Hauptaufgaben: Studiendesign, Datenerfassung und -auswertung, Ergebnisinterpretation.
• Spezielle Methoden umfassen u.a.: Regression, Varianzanalyse, Überlebenszeitanalyse.
• Verwendet Konzepte wie Hypothesentests, Stichproben, Konfidenzintervalle.

Präzision und Validität in Messmethoden

Definition:

definiton/explanation of the topic - keep it extremly short and write it from the point of view of someone who already know, as you would do in a cheatsheet; sentence do not need to be grammatically correct, keep empty if any explanation is unnecessary, for exmaple for lists

Details:

• Präzision: Wie konsistent Messungen unter denselben Bedingungen sind.
• Validität: Ob die Messung misst, was sie soll.
• Hohe Präzision, niedrige Validität: Systematischer Fehler, aber konsistent.
• Niedrige Präzision, hohe Validität: Misst richtig, aber inkonsistent.
• Formeln:
• Präzision: \( \text{SD} \) (Standardabweichung)
• Validität: \( \text{Bias} \) (systematischer Fehler)

Studiendesigns: Kohorten-, Fallkontroll- und Querschnittsstudien

Definition:

Verschiedene Studiendesigns in der Epidemiologie zur Untersuchung der Verteilung und Determinanten von Krankheiten in Populationen

Details:

• Kohortenstudien: Längsschnittstudie; vergleicht Exponierte und Nicht-Exponierte über die Zeit
• Wichtig: Inzidenz, Risikofaktoren
• Nachteil: Zeitaufwendig, teuer
• Fall-Kontroll-Studien: Retrospektive Studie; vergleicht Fälle (mit Krankheit) und Kontrollen (ohne Krankheit)
• Wichtig: Odds Ratio (OR)
• Nachteil: Verzerrungen durch Erinnerungs- und Selektionsbias
• Querschnittsstudien: Momentaufnahme; erfasst Prävalenz zu einem bestimmten Zeitpunkt
• Wichtig: Prävalenzrate, Zusammenhangsermittlung
• Nachteil: Keine Kausalaussagen, nur Assoziationen

Bias und Confounding in epidemiologischen Studien

Definition:

Bias: Systematischer Fehler, der Ergebnisse verfälscht. Confounding: Verfälschung durch Drittvariable, die sowohl die Exposition als auch den Outcome beeinflusst.

Details:

• Selektionsbias: Verzerrung durch Auswahl der Studienteilnehmer
• Informationsbias: Fehlklassifikationen durch Messfehler
• Confounding: Drittvariable beeinflusst sowohl Exposition als auch Outcome
• Bereinigung von Confoundern durch Stratifizierung, Matching oder multivariate Modelle

Explorative Datenanalyse und Modellselektion

Definition:

Explorative Datenanalyse: Methode zur Beschreibung von Daten. Modellselektion: Auswahl des besten Modells zur Vorhersage von Ergebnissen.

Details:

• Explorative Datenanalyse (EDA) identifiziert Muster und Anomalien in den Daten.
• Grafiken: Boxplot, Histogramm, Streudiagramm.
• Modellselektion wählt das Modell mit der besten Anpassung an die Daten.
• Kriterien: AIC, BIC, Cross-Validation.
• Vorverarbeitungsschritte: Datenbereinigung, Normalisierung.
• Techniken: Forward Selection, Backward Elimination, Stepwise Selection.

Analyse von Genom- und Proteomdaten

Definition:

Analyse von Genom- und Proteomdaten - Verarbeitung und Interpretation von Sequenz- und Expressionsdaten, um biologische Erkenntnisse zu gewinnen

Details:

• Datenquellen: Next-Generation Sequencing (NGS), Massenspektrometrie
• Methoden: Alignment, Assembly, Expression Analysis
• Software: BLAST, Bowtie, RSEM
• Statistische Methoden: PCA, t-SNE, Clustering
• Herausforderungen: Datenqualität, Datenmenge, Interpretation
• Anwendungen: Krankheitsforschung, personalisierte Medizin, Funktionsanalyse von Genen/Proteinen

Big Data und maschinelles Lernen in der Medizin

Definition:

Analyse großer und komplexer Datensätze zur Unterstützung medizinischer Forschung und Entscheidungsfindung mit Hilfe von Algorithmen.

Details:

• Ermöglicht personalisierte Medizin und genauere Diagnosen
• Verbessert prädiktive Modelle z.B. für Krankheitsverläufe
• Algorithmen: Neuronale Netze, Entscheidungsbäume, Support Vector Machines
• Big Data-Quellen: EHRs, Genomdaten, Bilddaten
• Herausforderungen: Datenschutz, Datenqualität, Interpretierbarkeit der Modelle
• Beispielanwendungen: Früherkennung von Krankheiten, Optimierung klinischer Studien, Therapiemanagement