Build your ultimate AI agent
รายละเอียดคอร์ส
ผู้ป่วยที่ใช้ยาใหม่มีอัตราการรอดชีวิตนานกว่าคนอื่นหรือไม่? คนที่ตกงานใช้เวลานานแค่ไหนกว่าจะได้งานใหม่? จะทำอย่างไรให้เพื่อนๆ อยู่บนฟลอร์เต้นรำตลอดงานปาร์ตี้? คำถามเหล่านี้ล้วนต้องอาศัยการวิเคราะห์ข้อมูลเวลาจนถึงเหตุการณ์ (time-to-event) ซึ่งต้องใช้วิธีทางสถิติเฉพาะทาง คอร์สนี้แนะนำแนวคิดพื้นฐานของการวิเคราะห์ข้อมูลเวลาจนถึงเหตุการณ์ หรือที่รู้จักกันในชื่อ Survival Analysis เรียนรู้วิธีจัดการกับข้อมูลประเภทนี้ รวมถึงการคำนวณ การแสดงผล และการตีความ survivor curves ตลอดจนโมเดล Weibull และ Cox
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
Survival Analysis คืออะไร?
ในบทแรก เราจะแนะนำแนวคิดของ Survival Analysis อธิบายความสำคัญของหัวข้อนี้ และปูพื้นฐานทฤษฎีเบื้องหลัง survival curves อย่างรวดเร็ว เราจะพูดถึงว่าเหตุใดจึงต้องใช้วิธีพิเศษในการจัดการกับข้อมูลเวลาจนถึงเหตุการณ์ และแนะนำแนวคิดเรื่อง censoring รวมถึงวิธีอธิบายการกระจายของเวลาที่ผ่านไปจนกว่าจะเกิดเหตุการณ์
- คำว่า "Survival Analysis"50 XP
- แนะนำชุดข้อมูล GBSG2100 XP
- คอร์สนี้ครอบคลุมเนื้อหาอะไรบ้าง?50 XP
- เหตุใดจึงต้องเรียนรู้วิธีการวิเคราะห์การอยู่รอด?50 XP
- เจาะลึกชุดข้อมูล GBSG2 ตอนที่ 1100 XP
- การใช้ฟังก์ชัน Surv() กับชุดข้อมูล GBSG2100 XP
- ชุดข้อมูล UnempDur100 XP
- ตัวชี้วัดที่ใช้ในการวิเคราะห์การอยู่รอด50 XP
- การตีความเส้นโค้งการรอดชีพ I50 XP
- การแปลความหมายของ survival curve II50 XP
- การแปลความหมายของ Survival Curve III50 XP
2
การประมาณค่า Survival Curves
ในบทนี้ เราจะศึกษาวิธีการต่างๆ สำหรับการประมาณค่า survival curves โดยจะพูดถึงการประมาณค่าแบบ Kaplan-Meier และโมเดล Weibull ในฐานะเครื่องมือสำหรับการประมาณค่า survival curves พร้อมเรียนรู้วิธีสื่อสารผลลัพธ์เหล่านั้นผ่านการแสดงผลด้วยภาพ
3
โมเดล Weibull
ในบทนี้ เราจะเรียนรู้วิธีประมาณค่าและแสดงผลโมเดล Weibull เพื่อทำความเข้าใจผลกระทบของ covariates ต่อผลลัพธ์แบบเวลาจนถึงเหตุการณ์
4
โมเดล Cox
ในบทสุดท้าย เราจะเรียนรู้วิธีคำนวณและตีความโมเดล Cox เพื่อทำความเข้าใจว่าโมเดลนี้มีประโยชน์อย่างไร และแตกต่างจากโมเดล Weibull อย่างไร
R
Survival Analysis in R
เรียนจบแล้ว
