Βιοστατιστική

Σκοπός του μαθήματος είναι η απόκτηση γνώσης βασικών και προηγμένων στατιστικών μεθόδων για την επίλυση προβλημάτων μέσω της ανάλυσης δεδομένων σε διάφορα επιστημονικά πεδία, όπως της Βιολογίας, της Ιατρικής και των Επιστημών Ζωής και Υγείας. Στα προσδοκώμενα μαθησιακά αποτελέσματα περιλαμβάνεται η απόκτηση γνώσης βασικών εννοιών από το επιστημονικό πεδίο της Στατιστικής και των Πιθανοτήτων (πληθυσμός, δείγμα, κατανομές πιθανότητας διακριτών και συνεχών μεταβλητών κτλ.) όπως και βασικών μεθόδων Περιγραφικής και Επαγωγικής Στατιστικής (παραμετρικοί/μη-παραμετρική έλεγχοι υποθέσεων). Επιπρόσθετα, θα δοθεί ιδιαίτερη βαρύτητα σε γνωστές μεθόδους Βιοστατιστικής για ανακάλυψη γνώσης σε πολυμεταβλητά δεδομένα και τη μοντελοποίηση των σχέσεων μεταξύ εξαρτημένης και ενός συνόλου ανεξάρτητων μεταβλητών με τη χρήση Μοντέλων Παλινδρόμησης (Γραμμική Παλινδρόμηση, Λογιστική Παλινδρόμηση κτλ.) και της Ανάλυσης Επιβίωσης. Για την κατανόηση των μεθόδων και την εξαγωγή χρήσιμων συμπερασμάτων θα δοθεί ιδιαίτερη έμφαση στην αναλυτική παρουσίαση εφαρμογών και μελετών περίπτωσης σε πραγματικά δεδομένα από τα επιστημονικά πεδία της Βιολογίας, της Ιατρικής και των Επιστημών Ζωής και Υγείας και την απόκτηση δεξιοτήτων στην εφαρμογή των παραπάνω μεθοδολογιών και τεχνικών στην γλώσσα προγραμματισμού ανοικτού κώδικα της R αναπτύσσοντας κώδικα στο Ολοκληρωμένο Περιβάλλον Ανάπτυξης (Integrated Development Environment) του RStudio.

Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:

• Κατανοούν τις θεμελιώδεις αρχές της Βιοστατιστικής και τις εφαρμογές της στη Βιολογία, τις Επιστήμες Ζωής και τις Επιστήμες Υγείας.
• Περιγράφουν πληθυσμούς και δείγματα, υπολογίζουν περιγραφικά στατιστικά και πραγματοποιούν διερευνητική ανάλυση δεδομένων και πολυμεταβλητές οπτικοποιήσεις χρησιμοποιώντας R.
• Κατανοούν και εφαρμόζουν κατανομές πιθανοτήτων, συμπεριλαμβανομένων των Κανονικής, t-student, Διωνυμικής και Poisson.
• Κατασκευάζουν διαστήματα εμπιστοσύνης και εκτελούν ελέγχους υποθέσεων, συμπεριλαμβανομένων παραμετρικών και μη-παραμετρικών, και ερμηνεύουν τα Σφάλματα Τύπου Ι και ΙΙ.
• Εφαρμόζουν παραμετρικούς ελέγχους, όπως έλεγχο t, ANOVA και ελέγχους για κατηγορικά δεδομένα, χρησιμοποιώντας R για πρακτικές μελέτες περίπτωσης.
• Πραγματοποιούν μη-παραμετρικούς ελέγχους, όπως Wilcoxon signed-rank, Mann-Whitney U και Kruskal-Wallis, με εφαρμογές σε πραγματικά δεδομένα.
• Διεξάγουν ανάλυση συσχετίσεων και παλινδρόμησης (απλή και πολλαπλή γραμμική παλινδρόμηση), ελέγχουν υποθέσεις, πραγματοποιούν διαγνωστικούς ελέγχους και ερμηνεύουν μοντέλα στο R.
• Εφαρμόζουν λογιστική και Poisson παλινδρόμηση για δυαδικά κατηγορικά και αριθμήσιμα δεδομένα χρησιμοποιώντας R.
• Κατανοούν τον σχεδιασμό κλινικών μελετών και εφαρμόζουν στατιστικές μεθόδους για ανάλυση δεδομένων από μελέτες.
• Χρησιμοποιούν προηγμένες μεθόδους, συμπεριλαμβανομένων γενικευμένων γραμμικών μοντέλων, μοντέλων μικτών επιδράσεων, ιεραρχικής ANOVA και ανάλυσης επαναλαμβανόμενων μετρήσεων σε πρακτικές μελέτες περίπτωσης.
• Πραγματοποιούν ανάλυση επιβίωσης χρησιμοποιώντας τον εκτιμητή Kaplan-Meier, ελέγχους log-rank και μοντέλα Cox αναλογικών κινδύνων στο R.
• Εφαρμόζουν στατιστικές μεθόδους στη γονιδιωματική, συμπεριλαμβανομένης της ανάλυσης δεδομένων GWAS, της ισορροπίας Hardy-Weinberg και της ανάλυσης συσχέτισης SNPs, χρησιμοποιώντας R.