BIO301 Effektive dataanalyser i det medisinske laboratoriet

Innhold og oppbygning

Emnet har tre hoveddeler. I del 1 gis en grunnleggende innføring i lineær algebra. Vektor- og matriseregning presenteres, og det gis en innføring i egenverdier, egenvektorer og multippel lineær regresjon.

Del 2 tar for seg statistisk forsøksplanlegging, der man lærer å sette opp en effektiv forsøksplan når man undersøker systemer og prosesser med mange faktorer som påvirker resultatet. Det startes med faktorielle designer, før mer avanserte designer til bruk i optimering og screening tas opp. Kurset benytter seg her av programpakken Sirius.

I del 3 presenteres metoder til analyse av store datasett med mange, kovarierende variabler. Prinsipalkomponentanalyse (PCA) danner grunnlaget for visualisering av innholdet i store datasett. Partial Least Squares (PLS) brukes til å modellere sammenhengen mellom instrumentelle profiler (f.eks. spektre, kromatogram) og en ekstern respons (f.eks. konsentrasjoner av stoffer i plasma). Klassifikasjonsteknikker som SIMCA og diskriminantanalyse tas opp. Det vil også bli lagt vekt på variabelseleksjon, der metoder for å plukke viktige variabler (f.eks. biomarkører) fra en klassifikasjons- eller regresjonsmodell presenteres.

Læringsutbytte

Ved fullført emne skal studenten kunne:

Kunnskap

• regne med vektorer og matriser
• forklare hvordan ulike designer kan brukes i effektiv forsøksplanlegging avhengig av formålet med en undersøkelse
• forklare hvordan lineær algebra kan brukes til å visualisere informasjonsinnholdet i store datasett
• forklare hvordan eksterne responser kan predikeres fra instrumentelle målinger gjort i et medisinsk laboratorium

Ferdigheter

• sette opp en designmatrise for screening og optimalisering
• tolke og validere resultatene fra en design
• hente ut underliggende informasjon fra store datasett ved hjelp av flervariabel dataanalyse
• vurdere når en modell er innenfor sitt gyldighetsområde, og når en ny modell bør lages
• lese og forstå en vitenskaplig artikkel om multivariat dataanalyse relevant for det medisinske laboratorium

Generell kompetanse

• bidra til effektiv ressursutnyttelse gjennom fornuftig forsøksplanlegging
• beherske import av data fra laboratorieinstrumenter til programvare
• analysere data av ulike typer i samme analyse
• presentere resultater fra en multivariat analyse skriftlig og muntlig

Krav til forkunnskaper

Bioingeniørutdanning, eller tilsvarende kompetanse innen medisinske laboratorieanalyser med vurdering og tolkning av analysekvalitet.

Undervisnings- og læringsformer

Datastøtteprogrammet Canvas benyttes i faget. Analyseverktøyet Sirius benyttes til forsøksplanlegging og dataanalyse.

Undervisningen blir gitt i løpet av tre seminar med varighet på én uke. Studentene jobber selvstendig mellom seminarene.

De første tre tema over dekkes opp av regulære forelesninger. I lineær algebra gis det og regneoppgaver. I statistisk forsøksplanlegging og multivariat analyse vil det bli gitt dataøvelser for å fokusere på praktisk bruk av metodene. Dataøvelser skal leveres i studentens læringsmappe på Its learning innen gitte tidsfrister. En avsluttende oppgave involverer litteraturstudier og presentering av resultater i form av foredrag. Studentene kommenterer og vurderer innhold i medstudentenes presentasjoner.

Studentaktive arbeidsformer er:

• 5 dataøvelser
• Forberede og fremlegge presentasjoner under veiledning.

Studentene får tilbakemelding og veiledning på presentasjoner og innleverte arbeid.

Obligatorisk læringsaktivitet

• Deltagelse på samlinger.
• Innlevering av besvarelser på 5 dataøvelser. Obligatoriske dataøvelser må være gjennomført til fastsatte frister og godkjent før studenten kan få en vurdering i faget.

Godkjent arbeidskrav er gyldig i 2 påfølgende semester etter godkjenningen.

Vurderingsform

Deleksamen med oppgave og digital skoleeksamen.

Oppgave:

Oppgaven er i form av et litteraturstudie. Oppgaven skal være ca. 10-15 sider. Innleveringstidspunkt blir oppgitt på Studentweb og digitalt eksamenssystem.

Digital skoleeksamen:

Tid og sted for eksamen blir opplyst på Studentweb.

Digital skoleeksamen utgjør 60 % og oppgaven utgjør 40 % av endelig karakter i emnet.

Karakterskala A-F, der F tilsvarer ikke bestått.

Hjelpemidler ved eksamen

PC

Mer om hjelpemidler