Kursplan för Maskininlärning i hälso- och sjukvård

Kursplanen innehåller ändringar
Se ändringar

Kursplan fastställd 2024-02-15 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnMachine learning in healthcare
  • KurskodDAT635
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPMED
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeMedicinteknik
  • InstitutionDATA- OCH INFORMATIONSTEKNIK
  • BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 41120
  • Max antal deltagare80 (minst 10% av platserna reserveras för utbytesstudenter)
  • Blockschema
  • Sökbar för utbytesstudenterJa
  • Endast studenter med kurstillfället i programplan.

Poängfördelning

0124 Inlämningsuppgift 4,5 hp
Betygsskala: TH		 4,5 hp
0224 Tentamen 3 hp
Betygsskala: TH		 3 hp
  • 16 Jan 2025 em J
  • 15 Apr 2025 fm J
  • 26 Aug 2025 fm J

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Behörighet

Grundläggande behörighet för avancerad nivå
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Särskild behörighet

Engelska 6
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Kursspecifika förkunskaper

En kurs vardera inom programmering, matematisk analys, linjär algebra och matematisk statistik. Vi rekommenderar att studenter har gått en kurs i maskininlärning, exempelvis SSY340, TDA233. Kursen förutsätter att du är bekväm med grundläggande koncept inom sannolikhetslära, såsom slumpvariabler, sannolikhetsfördelningar and väntevärden.

Syfte

Syftet med kursen är att ge kunskap och förståelse för maskininlärningsproblem i hälso- och sjukvård, och metoder för att lösa dem. Kursen ska också ge studenter erfarenhet av att tillämpa dessa metoder i praktisk problemlösning med sjukvårdsdata.

Lärandemål (efter fullgjord kurs ska studenten kunna)

Kunskap och förståelse

- Ge en överblick över utmärkande drag hos maskininlärning i vården, i kontrast mot andra tillämpningsdomäner för maskininlärning
- Beskriva viktiga inlärningsproblem i vården och ge detaljerade beskrivningar av metoder för att lösa dem
- Redogöra för vanliga datatyper som påträffas i vårdtillämpningar och deras källor
- Beskriva etiska, juridiska och samhälleliga aspekter kring arbete med sjukvårdsdata

Färdigheter och förmåga

- Formalisera inlärningsproblem baserat på uppgifter som rör inferens eller beslutsfattning i vården
- Samla in och behandla sjukvårdsdata för användning med maskininlärningsalgoritmer
- Implementera och tillämpa metoder för maskininlärning för specifika problem

Värderingsförmåga och förhållningssätt
- Diskutera för och nackdelar av olika inlärningsmetoder för samma problem
- Reflektera över fundamentala begränsningar i tillgänglig data, infrastruktur och inlärningsalgoritmer för att lösa en specifik uppgift
- Kritiskt analysera och diskutera forskning och tillämpning av maskininlärning i vården

Innehåll

Innehållet är uppdelat i flera moduler, en för varje vecka av kursen. Vi börjar med att introducera området maskininlärning i sjukvården och vanliga typer av medicinsk data, inklusive kodningssystem och naturligt språk. Vi kommer att behandla metoder som använder sådana data för att lösa olika inlärningsuppgifter på nivån av en enskild patient och på populationsnivå. Vi kommer att studera särskilda överväganden som bör tas vid tillämpning av inlärningsalgoritmer inom sjukvården, inklusive hantering av osäkerhet och tolkningsbarbarhet av modellers utdata. Som del i detta kommer vi att introducera tillräckliga villkor för att dra kausala slutsatser från historisk data. Mot slutet av kursen kommer vi att diskutera problem relaterade till införande i vårdprocesser.

Organisation

Moduler bestående av föreläsningar, gästföreläsningar och inlämningsuppgifter.

Litteratur

Kursen är baserad på öppet material så som forskningsartiklar, gratis e-böcker samt föreläsningsanteckningar. Föreläsningar kommer att ges 1-2 gånger i veckan.

Examination inklusive obligatoriska moment

Inlämningsuppgifter och Skriftlig tentamen.

För att bli godkänd (3) krävs minst 40 % av totalpoängen från de tre inlämningsuppgifterna och minst 40 % av totalpoängen på tentamen. För att erhålla högre betyg behövs, förutom ovanstående, att den viktade summan från inlämningsuppgifterna (viktad som 60 %) och tentamen (viktad som 40 %) överstiger 60 % (för betyg 4) respektive 80 % (för betyg 5).

Kursens examinator får examinera enstaka studenter på annat sätt än vad som anges ovan om särskilda skäl föreligger, till exempel om en student har ett beslut från Chalmers om pedagogiskt stöd på grund av funktionsnedsättning.

Kursplanen innehåller ändringar

  • Ändring gjord på kurstillfälle:
    • 2024-03-27: Block Block A tillagt av Examinator och UBS
      [Kurstillfälle 1]