4 domande e 4 risposte con Commander Massimo Borelli [email protected].
35
-
Upload
nevio-cozzi -
Category
Documents
-
view
220 -
download
1
Transcript of 4 domande e 4 risposte con Commander Massimo Borelli [email protected].
".. quanta differenza sia da chi sa e non ha messo in opera ciò che sa, da quello che oltra il sapere ha più volte messo le mani, come dir si suole, in pasta, e dedutto il pensiero e concetto de l'animo suo in opera esteriore"
Matteo Bandello (Castelnuovo Scrivia, 1485 – Bazens, 1561)
scaletta
il nostro punto di partenzai dataset con cui ci eserciteremoesempi di dataset cliniciesercitazione con Commanderil "compito per casa"
massimo borelli didattica
punto di partenza: la "cartella"
genere(f, m)
triage(w < g < y < r)
fumo(no, sì)
età( # > 0 )
pressione( # > 0 )
outcome(dead, alive)
los( # > 0 )
bmi( # > 0 )
estensioneRx(mod < loc < amp)
1. .. c'è differenza tra i gruppi?
genere(f, m)
triage(w < g < y < r)
fumo(no, sì)
età( # > 0 )
pressione( # > 0 )
outcome(dead, alive)
los( # > 0 )
bmi( # > 0 )
estensioneRx(mod < loc < amp)
1. .. c'è differenza tra i gruppi?
genere(f, m)
triage(w < g < y < r)
fumo(no, sì)
età( # > 0 )
pressione( # > 0 )
outcome(dead, alive)
los( # > 0 )
bmi( # > 0 )
estensioneRx(mod < loc < amp)
2. .. c'è correlazione/associazione..
genere(f, m)
triage(w < g < y < r)
fumo(no, sì)
età( # > 0 )
pressione( # > 0 )
outcome(dead, alive)
los( # > 0 )
bmi( # > 0 )
estensioneRx(mod < loc < amp)
2. .. c'è correlazione/associazione..
genere(f, m)
triage(w < g < y < r)
fumo(no, sì)
età( # > 0 )
pressione( # > 0 )
outcome(dead, alive)
los( # > 0 )
bmi( # > 0 )
estensioneRx(mod < loc < amp)
3. .. una multivariata per l'outcome
genere(f, m)
triage(w < g < y < r)
fumo(no, sì)
età( # > 0 )
pressione( # > 0 )
outcome(dead, alive)
los( # > 0 )
bmi( # > 0 )
estensioneRx(mod < loc < amp)
4. .. le curve di sopravvivenza
genere(f, m)
triage(w < g < y < r)
fumo(no, sì)
età( # > 0 )
pressione( # > 0 )
outcome(dead, alive)
los( # > 0 )
bmi( # > 0 )
estensioneRx(mod < loc < amp)
5 ... quello che NON faremo ..
U. Lucangelo et al., Respiration, 2011
i datasetcon cui ci eserciteremo
studentiannoscorso
surgery
breastcancer
esempi di dataset clinici
MED/17 Malattie Infettive
BIO/14 FarmacologiaMED/28 Malattie Odontostomatol.
MED/41 Terapia intensiva
MED/40 Ginecologia e Ostetricia
MED/09 Medicina Interna
1. .. c'è differenza tra i gruppi?
peso vs. genere5
06
07
08
0
peso
50
60
70
80
peso f
50
60
70
80
peso m
peso vs. fumo5
06
07
08
0
peso
50
60
70
80
fumo NO
50
60
70
80
fumo SI
peso vs. sport5
06
07
08
0
peso
50
60
70
80
poco
50
60
70
80
saltuario
50
60
70
80
tanto
dispersione ed inaffidabilità
dalla variabilità all'inaffidabilità
"Error bars in A .. represent SD, while in C represent SEM"
Kaur et al., 2008
non confondere variabilità e inaffidabilità
deviazione standard sl'errore standard della media
non confondere variabilità e inaffidabilità
simulazione Monte Carlo
Teste/Croci in 100.000 sequenze
dieci lancicento lancimille lancidiecimila lanci
non confondere variabilità e inaffidabilità
simulazione Monte Carlo
02
46
810
dieci
3040
5060
70
cento
440
460
480
500
520
540
560
mille
4800
4900
5000
5100
5200
diecimila
dalla variabilità all'inaffidabilità
simulazione Monte Carlo
0.0
0.2
0.4
0.6
0.8
1.0
centomila sequenze (% di successi) di 10, 100, 1000 e 10000 lanci
dalla variabilità all'inaffidabilità
simulazione Monte Carlo
come varia la deviazione standard in centomila ripetizioni dei quattro esperimenti
lanci sd
10 1.58
100 5.01
1000 15.78
10000 49.93
dalla variabilità all'inaffidabilità
simulazione Monte Carlo
lo standard error non varia, al crescere del numero n di lanci
lanci sd sd / sqrt(n)
10 1.58 0.501
100 5.01 0.501
1000 15.78 0.499
10000 49.93 0.499
