zur Universitaet
zur Startseite des Instituts
zur Universitaetsmedizin zum Lageplan English

Lehre



Institut


Abteilung Methoden der Community Medicine


Abteilung Versorgungs- epidemiologie und Community Health


Abteilung SHIP-KEF

Leitung
Lehre
Mitarbeitende
Projekte
Publikationen
Downloads
Links

Abteilung Allgemeinmedizin


Abteilung für Präventionsforschung und Sozialmedizin


Applied regression modelling

Speakers: PD Dr. Till Ittermann, Dr. Stefan Groß

Contact: till.ittermann@uni-greifswald.de

                stefan.gross1@uni-greifswald.de

Time: The course will be held as compact course over 2.5 days. If you are interested in the course please contact Stefan or Till until 15th of April. Afterwards we will conduct a poll to find the perfect date for the course.

Place: Online via zoom

Background

Multivariable regression models are a workhorse in clinical-epidemiological research to associate exposures with outcomes, to adjust for confounding, and assess effect-measure modification. They are also used to predict outcomes.

This course introduces the theory and application of
regression analysis, focusing on the linear model for continuous outcomes, logistic models for categorical outcomes, models for count responses, and the Cox model for censored survival times.

The rationale for the use of regression models in non-experimental, observational data will be discussed.
Particular emphasis will be placed on


interpretation of parameter estimates,
selection of covariables,
assessment of non-linearity,
confounding,
interaction,
predictive accuracy.

A brief outline to regression analyses of complex surveys, correlated and longitudinal data, and handling of missing data will be given if preferred by the audience. The course will also include a 2-hour consulting and discussion session on the first two days. This will give the participants the opportunity to discuss own datasets and practical issues with the lecturers.

Focus audience: natural scientists and physicians working in the field of epidemiological research.

Prerequisites: Prior attendance of a basic statistics course or fundamental knowledge in basic inference statistics (descriptive statistics, bivariate statistics [e.g. 2 group mean comparisons, k group mean comparisons for continuous outcomes, correlation analysis, contingency/cross table analysis for binary outcomes]).

 

Data quality in observational studies – insights on quality management and quality assessments including practical exercises with STATA and R

Trainer: Prof. Carsten Oliver Schmidt, Dr. Adrian Richter

Zusammenfassung

Beobachtungsstudien, wie z. B. Kohortenstudien, sind ein zentraler Bestandteil der medizinischen Forschung, um z.B. die Belastung durch Krankheiten, ihre Folgen und die damit verbundenen Risikofaktoren in unserer Bevölkerung besser zu verstehen. Allerdings müssen in Beobachtungsstudien viele Qualitätsaspekte berücksichtigt werden, um zu validen Schlussfolgerungen zu gelangen. Dieser Kurs vermittelt in Theorie und Praxis Wege zur Verbesserung des Qualitätsmanagements und der Datenqualität in Beobachtungsstudien.

Der Kurs gliedert sich in drei Teile:

  1. Theoretische Konzepte im Zusammenhang mit der Qualität von Beobachtungsstudien wie Messfehler, Validität, Reliabilität und Quellen der Verzerrung. Basierend auf diesem Teil werden die Teilnehmer die Konzepte, die den qualitätsbezogenen Aktivitäten zugrunde liegen, besser verstehen.
  2. Der zweite Schwerpunkt wird praktisches Wissen über Maßnahmen im Zusammenhang mit der Implementierung und Durchführung von Beobachtungsstudien sein. Wir werden Studiendokumente, Training, Zertifizierung und Qualitätsmonitoring behandeln.
  3. Der dritte Schwerpunkt bezieht sich auf die Auswertung der Datenqualität. Vermittelt wird, wie man Datenqualitätsbewertungen durchführt. Dies wird durch praktische Übungen, entweder in R oder Stata, begleitet.

Zielgruppe: Das Seminar richtet sich an Studierende, Doktoranden und PostDocs, die Wissen zum Qualitätsmanagement für Ihre Studienprojekte ausbauen wollen. Anfängervorwissen im Umgang mit Statistiksoftware reicht für die Übungen.

Abstract

Observational studies, such as cohort studies, are a pivotal in medical research to better understand the burden of diseases, their consequences, and related risk-factor’s in our populations. Many quality issues have to be taken into account to arrive at valid inferences from these studies. This course will teach in theory and practice ways to improve quality management in observational studies.

The course will be divided into three parts:

  1. Theoretical concepts related the quality of observational studies such as measurement error related, validity, reliability, and sources of bias. Based on this section, participants will better understand concepts underlying quality related activities.
  2. The second focus will be practical knowledge about measures related to the implementation and conduct of observational studies. We will cover study documents, training, certification, and quality monitoring.
  3. The third focus will be related to the evaluation of data quality. We will illustrate how to conduct data quality assessments. This will be accompanied by practical exercises, either in R or Stata.

Target group: The seminar aims at students, PhD students and PostDocs who want to acquire skills about quality management for their study projects.  A beginner’s level with statistical software suffices.

Zeit/Time: 1.5d
Sprache/Language: Deutsch/English
Art der Veranstaltung/Type of class: block
ECTS: 1.0

Data wrangling with R

Trainer: Dr. Adrian Richter & Dr. Stephan Struckmann

Zusammenfassung:

Daten können manchmal nahezu chaotisch erscheinen und oft müssen wir den größten Teil unserer Zeit in das Verständnis und die Aufbereitung der Daten investieren (1), um schließlich die korrekte statistische Methode anwenden zu können. In diesem Kurs werden wir mit Daten arbeiten, die in unterschiedlichen Strukturen vorliegen, z. B. als patientenbasierte Längsschnittdaten, mit unterschiedlichen und unterschiedlich langen Therapieepisoden sowie begleitenden unerwünschten Ereignissen. Solche Daten erfordern eine zeitintensive und strukturierte Aufbereitung, um sie z.B. in time-to-event Analysen mit zeitlich variierenden Kovariablen zu verwenden. Wir werden Daten mappen, zusammenführen, transponieren und aggregieren, um sie "fit-for-use" zu machen.

Die korrekte Anwendung und Interpretation statistischer Methoden sind kein Bestandteil dieses Kurses. Wir werden jedoch die Daten im Hinblick auf die spezifischen Voraussetzungen verschiedener statistischer Methoden und Modelle vorbereiten.

Abstract:

Data can be messy and often we must spend most of our efforts into the understanding and shaping of the data (1) to apply, at last, the correct statistical method. In this course we will work with data presenting in different structures, e.g., as patient-based longitudinal data with multiple therapy episodes of different length and concomitant adverse events. Such data require considerable reshaping to use them, e.g., in time-to-event analysis with time-varying covariates. We will map, merge, transpose, and aggregate data to make them “fit-for-use”.

This course will not cover the correct application and interpretation of statistical methods. However, we will prepare the data with respect to specific pre-requisites of statistical methods and models.

 

(1) Donoho, David. 50 years of data science. Journal of Computational and Graphical Statistics 2017;26:745-66.

Zeit/Time: 1.5d
Sprache/Language: Deutsch/English
Art der Veranstaltung/Type of class: block
ECTS: 1.0


NEWS
Impressum      Datenschutz      Sitemap      Drucken