Visão Geral

Este Curso Data Science Fundamentals with Python for Healthcare, ensina profissionais quantitativos (engenheiros, estatísticos, analistas e outros) como aplicar com sucesso métodos de ciência de dados para analisar e visualizar problemas do mundo real em dados de saúde.

Objetivo

Após realizar este Curso Data Science Fundamentals with Python for Healthcare você será capaz de:

• Compreender e implementar os principais conceitos do Python (tipos de dados, funções)
• Use bibliotecas para importar dados dinâmicos de EHR (Registro Eletrônico de Saúde) e dados estáticos
• Analise dados de texto clínico não estruturados em dados estruturados
• Aplique funções em Pandas e NumPy para limpar e explorar dados rapidamente
• Compreender técnicas para avaliar a falta de dados do paciente
• Estenda as técnicas de limpeza para remodelar dados para uso em análises avançadas
• Explore e limpe dados de texto clínico
• Aplique expressões regulares para manipular e extrair dados de texto
• Compreender abordagens de Processamento de Linguagem Natural (PNL) baseadas em regras para extração de informações, como diagnósticos ou medicamentos
• Identifique testes para diferenças de grupo usando estatísticas inferenciais
• Implementar regressão linear para modelar e prever dados clinicamente relevantes
• Usar termos não lineares, bem como compreender termos de confusão e interação para modelagem de sistema mais avançada
• Aplicar regressões logísticas para modelar resultados não numéricos, como acompanhamento de pacientes

Pre-Requisitos

• Todos os participantes devem ter experiência anterior em programação e compreensão de estatísticas básicas.

Materiais

Conteúdo Programatico

Overview of Data Science in Healthcare

1. Limitations of EHR data
2. Importance of NLP methods
3. Overview of advanced data science work in healthcare (image recognition and temporospatial modeling)

An Accelerated Introduction and Overview to Python for Data Science

1. Review of course and computing environment
2. Explanation of Integrated Development Environments (IDEs) Jupyter and Spyder
3. Python syntax essentials
   1. Primitive data types
   2. Collection variable types
   3. Control flow operations
   4. Function syntax
   5. Error handling
   6. Managing libraries

Reading and Manipulating Datasets with Libraries (NumPy and Pandas)

1. Overview of NumPy
   1. Data types in NumPy
   2. Array masks
   3. Manipulation and broadcasting
   4. Random number generation
2. Data processing methods with Pandas
   1. Using DataFrames and Series
   2. Creating calculated columns
   3. Discretizing data
   4. Filtering and indexing syntax
   5. Merging datasets
   6. Melting/pivoting DataFrames

Exploratory Data Analysis (EDA) and Graphics Fundamentals

1. Statistical summaries, and outlier detection for both univariate and multivariate variables using graphical and numeric methods
2. Visualization crash course with Seaborn and Matplotlib
3. Generating publication-quality documents with Jupyter

Applied NLP Techniques for Clinical Text

1. Unstructured data fundamentals
2. Implementing regular expressions for basic information extraction
3. Applying MedSpaCy for advanced processing of clinical text
4. Measuring accuracy and limitations in rules-based methods
5. Using Term Frequency Inverse Document Frequency (TF-IDF) techniques for term importance

Applying Statistical Models for Analysis in Python

1. Explanation of statsmodels library of functions
2. Inferential and descriptive statistics refresher
3. Implementing A/B tests for detecting group differences
4. Applying linear regressions
5. Overview of generalized linear models (GLMs) and the link function
6. Applying logistic regression
7. Discussion of confounding, interaction terms and model building approaches