Biometrie und Epidemiologie - Cheatsheet.pdf

Biometrie und Epidemiologie - Cheatsheet
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...

© StudySmarter 2024, all rights reserved.

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
Sign Up

Melde dich kostenlos an, um Zugriff auf das vollständige Dokument zu erhalten

Mit unserer kostenlosen Lernplattform erhältst du Zugang zu Millionen von Dokumenten, Karteikarten und Unterlagen.

Kostenloses Konto erstellen

Du hast bereits ein Konto? Anmelden