• «The computational mindset», maskinlæring og kunstig intelligens i fremtidens medisin - pro et con
• En veiledet «reise» gjennom utvalgte matematiske og statistiske modelleringsteknikker innen biomedisinske og kliniske anvendelser. Eksempler og demonstrasjoner vil bli relater til in vivo avbildning og integrativ kvantitativ fysiologi, bildebaserte biomarkører, omicsdata og sensordata.
• Prinsipper for virkemåten til utvalgte sensorer og måleutstyr brukt i (bio)medisinsk forskning og klinisk praksis - fra smarttelefoner til MR-scannere.
• Begrepene «big data», «data analytics», «maskinlæring» og «deep convolutional neural networks» med eksempler fra persontilpasset og prediktiv medisin.
• Gjennom hele kurset vil studentene benytte prinsipper og verktøy fra numerisk programvare, dataanalyse, og beregningsvitenskap innen medisinske anvendelser. Dette vil gi studentene en introduksjon til f.eks. R, Python og Jupyter notebooks og bruk av «skyen» for datalagring og beregninger.
• Begrepene og betydningen av «open science», deling av data og «reproducible research».

Studenten skal ved avslutta emne ha følgande læringsutbyte definert i kunnskapar, ferdigheiter og generell kompetanse:

Kunnskapar

Studenten..

• Har kjennskap til prinsipper for virkemåten av utvalgte sensorer/måleutstyr brukt i (bio)medisinsk forskning og klinisk praksis.
• Har kjennskap til begrepene «big data», «data analytics», «maskinlæring» og «deep convolutional neural networks» og gi eksempler fra persontilpasset og prediktiv medisin.
• Har kjennskap til begrepene og betydningen av «open science», deling av data og «reproducible research».

Ferdigheiter

Studenten..

• Kan finn frem til og bruke et utvalg av moderne programvare for dataanalyse, visualisering og rapportering (e.g. figur og grafikk produksjon med Jupyter notebooks).
• Kan kommunisere om utvalgte metoder og programvare der disse er implementert og forklare relevans for medisinsk forskning og klinisk praksis.

Generell kompetanse

Studenten..

• Erkjenner betydningen av matematiske modeller og beregninger for analyse og forståelse av komplekse fysiologiske systemer og sykdoms-prosesser og behovet for tverrfaglig samarbeid i fremtidens medisin.

Undervisningsformen er orientert mot «blended learning» og «flipped classroom»:

• To dager med introduksjon- og motivasjons-forelesninger, inklusive demonstrasjoner. Studentene medbringer egen laptop.
• e-lærings moduler (før, under, og tilgjengelig etter kurset) med fokus på læringsutbytte for emnet. Vil omfatte refleksjonsspørsmål og tematiske flervalgsspørsmål.
• To innleveringer med hverandre-vurdering (peer assessment): (i) én innlevering relatert til e-infrastruktur innen moderne beregningsvitenskap (programmerings omgivelser / IDE, data repositorier, kildekode-versjonskontroll [GitHub] etc.), (ii) én innlevering relatert til spesifikke tema innen (bio)medisin, valgt blant et lite utvalg på forhånd definerte prosjekter der en tilstreber samarbeid mellom én medisinerstudent og én ingeniørstudent (i.e. «tandem»). Dette samarbeidsprosjektet skal presenteres muntlig ved en av de fire samlingene.
• Fire «meet-ups» (én TBL sesjon) / samlinger med lærere og undervisnings-assistenter.
• Avsluttende digital eksamen.

Emnet vil baseres seg på at studenten har egen eller lånt laptop.

elektiv@med.uib.no
Tlf 55 58 64 00

Emneansvarleg:
Arvid Lundervold, http://uib.no/personer/Arvid.Lundervold