Tilmeld dig nyhedsbrevet for Master i personlig medicin og få nyt om kursusdatoer, ansøgningsfrister og andre relaterede nyheder.
Fra real-world data til personlig medicin
Lær at bruge sundhedsdata fra registre, databaser og journaler til personlig medicin
Kurset er en del af
Vær med til at tage skridtet fra real-world data fra sundhedsregistre og elektroniske patientjournaler til udvikling af personlig medicin. Du får redskaberne til selv at igangsætte og implementere projekter rettet mod personlig medicin.
Kurset bygger ovenpå ”Basis for personlig medicin” kurset, og giver dig en mere dybdegående forståelse for oprindelse samt brug af real-world (ustrukturerede) data fra fx sundhedsregistre, den elektroniske patientjournal inkl. parakliniske og kliniske data, app-indsamlede data etc. som datakilde for personlig medicin.
Ideen med kurset er at skabe baggrund for at kombinere det væld af allerede eksisterende data, som ligger delvist ubrugt hen, med molekylære, funktionelle og genetiske omics data.
Undervejs får du indsigt i de udfordringer, der knytter sig til brugen af real-world data, samt de værktøjer, der anvendes for at gøre disse anvendelige i forskning og klinik.
Du får undervisning i basale epidemiologiske og statistiske værktøjer, der fungerer som teoretisk og praktisk forudsætning for arbejdet med ustrukturerede real-world data.
Det handler både om at finde den mest effektive og for patienten mest skånsomme behandling, så hun eller han undgår en uvirksom behandling, som måske oven i købet er fuld af bivirkninger.
Kursusleder på Fra real-world data til personlig medicin
Carsten Utoft Niemann
Klinisk lektor, overlæge
Mikkel Werling
Ph.d. studerende
Kursusinformation om Fra real-world data til personlig medicin
Undervisning og eksamen
Sted
Københavns Universitet
Undervisningsdatoer
20. november 2024 - online
27. november 2024 - fysisk fremmøde
28. november 2024 - fysisk fremmøde
29. november 2024 - fysisk fremmøde
11. december 2024 - online
8. januar 2025 - fysisk fremmøde
9. januar 2025 - fysisk fremmøde
Kurset udbydes hvert andet efterår.
30 pladser.
Eksamen
Eksamensdatoer står i eksamensplanen.
Du kan finde mere information om kurset og eksamenformen i den fulde kursusbeskrivelse.
Se en oversigt over alle kurser på Master i personlig medicin.
Kursusudbytte
Gennem case-studies og hands-on projekter får du redskaberne til selv at igangsætte og implementere projekter rettet mod personlig medicin.
Når kurset er afsluttet vil du:
- Have overblik over sundhedsdatakilder og registre i Danmark samt hvilke faldgruber man skal være opmærksom på i forhold til validitet af data
- Kende de platforme der findes til at arbejde med data på, samt have viden om sundhedsdata oprindelse, kvalitet og deling samt regulatoriske krav og lovgivning på området inkl. for biobanker.
- Kunne udføre prædiktions- og risikomodellering med fokus på formidling til sundhedsprofessionelle samt patienter op pårørende
- Kunne anvende cases som træning: Udvikling af klinisk AI (forskning) → design af randomiserede kliniske forsøg (RCT) baseret på AI → udførelse af RCT og udvikling af diagnostisk AI (forskning) → implementering (parallelt med normal diagnostik) → validering → test i RCT (fx brug til prædiktion o.lig.)
- Kunne analysere og vurdere Black box mAI/ML vs explainable algoritmer
- Kunne implementere i klinisk praksis, dvs. krav til evidens, samarbejde med private og akademiske interessenter, implementering i praksis og teori, projektledelse og faldgruber
Undervisningsform og gruppearbejde
Undervisningsformen for kurset vil helt overvejende være team-baseret læring, hvor data-baserede cases vil danne baggrund for tværfagligt gruppearbejde, der understøttes af forelæsninger.
Kurset afsluttes med et tværfagligt gruppearbejde, der tager udgangspunkt i en case baseret på real-world data.
Kurset er bygget op af
Fremmøde: Introduktionsforelæsninger, dannelse af tværfaglige projektgrupper samt tilknytning af mentor, introduktion til og valg af datasæt for gruppearbejdet.
Gruppearbejde, ca. 6 uger: Jævnlige mentor-møder (virtuelt) med sparring i forhold til gruppens arbejde.
Fremmøde: Fokuserede forelæsninger, midtvejsfremlæggelser og mentorsessioner med direkte feedback til de studerende.
Gruppearbejde, ca. 3 uger: Jævnlige mentor-møder (virtuelt) med sparring i forhold til gruppens arbejde frem til den offentlige eksamensfremlæggelse.
Eksamen: Gruppefremlæggelse af projekt baseret på virkelige eller syntetiske data.
Kriterier for optag
Du skal opfylde følgende kriterier for at blive optaget på Master i personlig medicin eller ønsker at deltage i et enkelt kursus:
- Kandidat i sundhedsvidenskab, kandidat i natur- og biovidenskab eller kandidat med en samfundsvidenskabelig, juridisk, humanistisk eller lignende baggrund
- 2 års erhvervserfaring i et klinisk-, forsknings eller akademisk fagområde der beskæftiger sig med problemstillinger inden for personlig medicin
Vi anbefaler desuden at du kan engelsk på højt, fagligt niveau, da store dele af undervisningsmaterialet er på engelsk.
Du kan finde en mere udførlig beskrivelse af optagelseskriterierne, der følger adgangskrav for Master i personlig medicin.
Kurset bygger ovenpå ”Basis for personlig medicin” kurset. Det anbefales derfor, at man følger basiskurset før man deltager i kurset ”Fra real-world-data til personlig medicin”.
Fortrinsret hvis du er indskrevet
Dette kursus udbydes som en obligatorisk del af Master i personlig medicin og derfor har studerende der er indskrevet på masteruddannelsen førsteret til pladserne på uddannelsens kurser. Herpå foregår udvælgelsen efter først-til-mølle princippet.
Priser og betalingsbetingelser
15.000 DKK
Betalingsbetingelser
Kontakt
Janni Stubkjær Rasmussen
Studiekoordinator
Tlf.: +45 35 32 12 79
Sted
Københavns Universitet
Det Sundhedvidenskabelige Fakultet
Blegdamsvej 3B
2200 København
Carsten Utoft Niemann
Klinisk lektor, overlæge
Hæmatolog, overlæge og lektor ved Københavns Universitet med +10 års praktisk erfaring i hæmatologiske forskningslaboratorier i Europa og USA. Formand for den nordiske CLL studie gruppe, leder af CLL-laboratoriet og det kliniske CLL forskningsprogram på Rigshospitalet.
Som klinisk hæmatolog med laboratoriebaggrund kombinerer min forskning rutinemæssige helbredsdata, genetisk og funktionel karakterisering af lymfoide cancer celler og celler fra mikromiljøet, MRD-analyser og diagnostisk udredning for lymfoide cancere til at designe kliniske forsøg til præcisionsbehandling indenfor hæmatologien.
I min forskningsgruppe har således været med til at skabe baggrunden for den nuværende håndtering af bl.a. CLL som medforfatter til ESMO guidelines, TP53 guidelines, flowcytometri- og MRD-guideliens for CLL.
Som stiftende medlem af +5 investigator-initierede kliniske forsøg, der tester målrettet terapi i CLL samt grundlægger og sponsor af PreVent-ACaLL fase 2-3 forsøget, det første Machine Learning-baserede kliniske forsøg i CLL, er min forskningsgruppe med til at udvikle fremtidens datadrevne behandling af lymfoide cancere.
Udvikling af datadrevet translationel forskning baseret på Danish Lymphoid-lineage Cancer Research (DALY-CARE), der dækker +3.000 rutinemæssige datavariabler for +65.000 patienter kombineret med genetiske analyser for +10.000 patienter er baggrunden for at udvikle beslutningsstøtteværktøjer for lymfoide cancere baseret på datadrevet medicin.
Således er alle de discipliner, der er nødvendige for translationel forskning i lymfoide cancere, til stede i min forskningsgruppe, hvilket danner baggrund for udvikling og implementering af beslutningsstøttværktøjer baseret på medicinsk kunstig intelligens og dermed personlig medicin.
Mikkel Werling
Ph.d. studerende
Mikkel Werling er ph.d. studerende ved Afdeling for Blodsygdomme på Rigshospitalet. Han har en baggrund indenfor kognitionsvidenskab; en smeltedigel mellem blandt andet statistik, psykologi og filosofi.
Mikkel er særligt interesseret i at bruge machine learning til at udvikle beslutningsstøtte værktøjer til brug i sundhedsvæsenet. Mere specifikt prøver han i sit ph.d. projekt at undersøge, hvorvidt prædiktive modeller kan forbedres ved at lære på tværs af mange forskellige sygdomme.
Han er en af 20, der har modtaget Danish Data Science Academy (DDSA) ph.d. stipendiat, som bliver givet til lovende unge forskere indenfor data science.
I sit virke som underviser bestræber han sig på at gøre kodning og databearbejdning tilgængeligt og forståeligt for alle.