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