دوره مدل‌سازی غیرخطی در کارآزمایی‌های بالینی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌سازی غیرخطی در کارآزمایی‌های بالینی

موضوع کلی: آمار زیستی و تحلیل داده‌های کارآزمایی بالینی

موضوع میانی: مدل‌سازی آماری غیرخطی و تحلیل داده‌های طولی کارآزمایی‌های بالینی با ADMB

📋 سرفصل‌های دوره

• 1. آشنایی با مدل‌سازی غیرخطی و کاربرد آن در کارآزمایی‌های بالینی
• 2. مفاهیم پایه آمار غیرپارامتری
• 3. مقدمه‌ای بر مدل‌های رگرسیون غیرخطی
• 4. انتخاب مدل مناسب برای داده‌های کارآزمایی بالینی
• 5. برآورد پارامترهای مدل‌های غیرخطی
• 6. ارزیابی برازش مدل و تحلیل باقیمانده‌ها
• 7. مدل‌های رشد غیرخطی: معرفی و کاربردها
• 8. مدل‌های پایداری غیرخطی در داروشناسی
• 9. مدل‌سازی فارماکوکینتیک (PK) غیرخطی
• 10. مدل‌سازی فارماکودینامیک (PD) غیرخطی
• 11. ترکیب مدل‌های PK/PD برای ارزیابی اثربخشی دارو
• 12. مدل‌سازی اثرات درمانی چندگانه دارو
• 13. تحلیل داده‌های طولانی‌مدت با مدل‌های غیرخطی
• 14. مدل‌های مختلط اثرات (Mixed Effects Models) در کارآزمایی‌های بالینی
• 15. مدل‌های تعمیم‌یافته معادلات خطی (Generalized Linear Models)
• 16. مدل‌سازی داده‌های شمارشی با رگرسیون پواسون
• 17. مدل‌سازی داده‌های دودویی با رگرسیون لجستیک
• 18. مدل‌سازی داده‌های بقا با مدل‌های پروپورتال هازارد
• 19. تحلیل داده‌های سانسور شده در کارآزمایی‌های بالینی
• 20. روش‌های برآورد پارامتر در مدل‌های بقا
• 21. مدل‌های بقای شتاب‌یافته و مدل‌های بقای پروپورتال هازارد
• 22. مدل‌سازی اثرات زمانی در کارآزمایی‌های بالینی
• 23. مدل‌های سری‌های زمانی در داده‌های فیزیولوژیک
• 24. تحلیل داده‌های چندمتغیره با مدل‌های غیرخطی
• 25. تحلیل همزمان چند پاسخ در کارآزمایی‌های بالینی
• 26. مدل‌سازی اثرات متقابل بین داروها
• 27. تحلیل حساسیت مدل‌های غیرخطی
• 28. اعتبارسنجی مدل‌های غیرخطی با استفاده از داده‌های مستقل
• 29. تکنیک‌های کاهش بُعد در داده‌های کارآزمایی بالینی
• 30. تحلیل مؤلفه‌های اصلی (PCA) و کاربردهای آن
• 31. تحلیل خوشه‌ای (Cluster Analysis) در شناسایی زیرگروه‌های بیماران
• 32. تحلیل تبعیض (Discriminant Analysis) برای پیش‌بینی پاسخ به درمان
• 33. روش‌های بوت‌استرپ و جک‌نایف در ارزیابی عدم قطعیت پارامترها
• 34. مدل‌سازی Bayesian در کارآزمایی‌های بالینی
• 35. استفاده از زنجیره‌های مارکوف مونت کارلو (MCMC) در مدل‌سازی Bayesian
• 36. تفسیر نتایج مدل‌های Bayesian و ارزیابی احتمال پسین
• 37. مدل‌سازی با استفاده از نرم‌افزار R
• 38. مدل‌سازی با استفاده از نرم‌افزار SAS
• 39. مدل‌سازی با استفاده از نرم‌افزار MATLAB
• 40. مدل‌سازی با استفاده از نرم‌افزار NONMEM
• 41. برنامه‌نویسی و سفارشی‌سازی مدل‌ها در نرم‌افزارهای آماری
• 42. ارائه نتایج مدل‌سازی غیرخطی به صورت گرافیکی
• 43. نوشتن گزارش‌های علمی و مقالات پژوهشی در زمینه مدل‌سازی غیرخطی
• 44. چالش‌ها و محدودیت‌های مدل‌سازی غیرخطی در کارآزمایی‌های بالینی
• 45. آینده مدل‌سازی غیرخطی در توسعه داروها و تحقیقات پزشکی