فلش‌کارت‌های آموزشی آموزش جامع ADMB برای تحلیل کارآزمایی‌های بالینی و مدل‌سازی آماری پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع ADMB برای تحلیل کارآزمایی‌های بالینی و مدل‌سازی آماری پیشرفته

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. مبانی ADMB و کاربرد آن در تحلیل کارآزمایی‌های بالینی
• 2. ساختار کلی تحلیل آماری در کارآزمایی‌های بالینی
• 3. انواع داده‌های کارآزمایی بالینی مناسب برای مدل‌سازی با ADMB
• 4. مبانی مدل‌های آماری غیرخطی در تحقیقات بالینی
• 5. مفهوم تابع درست‌نمایی و Negative Log-Likelihood
• 6. مبانی بهینه‌سازی پارامترها در ADMB
• 7. نقش Automatic Differentiation در ADMB
• 8. تفاوت مشتق‌گیری خودکار با مشتق‌گیری عددی
• 9. نصب و آماده‌سازی محیط ADMB
• 10. ساختار پروژه و فایل‌های ADMB
• 11. ساختار فایل Template با پسوند TPL
• 12. بخش DATA_SECTION در مدل‌های ADMB
• 13. تعریف پارامترها در PARAMETER_SECTION
• 14. پیاده‌سازی تابع هدف در PROCEDURE_SECTION
• 15. تعریف متغیرهای محاسباتی و مشتقات خودکار
• 16. کامپایل و اجرای مدل‌های ADMB
• 17. مدیریت ورودی و خروجی در پروژه‌های تحلیل بالینی
• 18. تعریف توزیع‌های آماری در مدل‌های ADMB
• 19. پیاده‌سازی مدل‌های نرمال و لاگ‌نرمال
• 20. پیاده‌سازی مدل‌های دوجمله‌ای و برنولی
• 21. پیاده‌سازی مدل‌های پواسون برای داده‌های شمارشی
• 22. مدل‌سازی داده‌های دودویی کارآزمایی بالینی
• 23. رگرسیون لجستیک با ADMB
• 24. مدل‌های شمارشی و رگرسیون پواسون با ADMB
• 25. مدل‌های غیرخطی برای پاسخ‌های بالینی
• 26. مدل‌سازی داده‌های طولی بیماران
• 27. مدیریت اندازه‌گیری‌های تکرارشونده در بیماران
• 28. مدل‌سازی ناهمگنی بین بیماران
• 29. مبانی مدل‌های اثرات ثابت و تصادفی
• 30. مدل‌های Nonlinear Mixed Effects در ADMB-RE
• 31. تعریف اثرات تصادفی در مدل‌های بالینی
• 32. مدل‌سازی واریانس بین‌فردی
• 33. مدل‌سازی همبستگی داده‌های طولی
• 34. مدل‌های رشد و تغییرات زمانی در بیماران
• 35. مدل‌سازی فارماکوکینتیک در کارآزمایی‌های بالینی
• 36. مدل‌سازی فارماکودینامیک با ADMB
• 37. مدل‌های مشترک PK/PD
• 38. تعریف مدل‌های مبتنی بر معادلات دیفرانسیل
• 39. مدل‌سازی اثر دوز و پاسخ
• 40. مدل‌سازی رابطه بین متغیرهای کمکی و پارامترها
• 41. انتخاب و تعریف Covariate در مدل‌های بالینی
• 42. مدل‌سازی اثر سن، وزن و سایر ویژگی‌های بیمار
• 43. مدیریت داده‌های ناقص در تحلیل کارآزمایی
• 44. مدل‌سازی داده‌های سانسورشده
• 45. تحلیل داده‌های بقا با مدل‌های مناسب ADMB
• 46. مدل‌های Frailty در تحلیل بقا
• 47. مدل‌سازی Hazard و عوامل مؤثر بر آن
• 48. برآورد پارامترها در مدل‌های غیرخطی
• 49. انتخاب مقادیر اولیه مناسب برای پارامترها
• 50. محدودیت‌ها و قیود پارامترها
• 51. بررسی همگرایی الگوریتم بهینه‌سازی
• 52. تشخیص مشکلات عدم همگرایی مدل
• 53. تحلیل حساسیت نسبت به مقادیر اولیه
• 54. بررسی شناسایی‌پذیری پارامترها
• 55. ارزیابی دقت و عدم‌قطعیت برآوردها
• 56. محاسبه خطاهای استاندارد پارامترها
• 57. ماتریس واریانس-کوواریانس برآوردها
• 58. استفاده از Profile Likelihood در ADMB
• 59. تحلیل فاصله اطمینان با Profile Likelihood
• 60. روش Delta برای انتشار عدم‌قطعیت
• 61. برآوردهای پسین با روش‌های MCMC
• 62. استفاده از شبیه‌سازی برای ارزیابی عدم‌قطعیت
• 63. شبیه‌سازی داده‌های کارآزمایی بالینی
• 64. طراحی شبیه‌سازی برای ارزیابی مدل
• 65. مقایسه داده واقعی و داده شبیه‌سازی‌شده
• 66. ارزیابی برازش مدل به داده‌های بالینی
• 67. تحلیل Residual و خطاهای مدل
• 68. بررسی Goodness of Fit
• 69. شناسایی نقاط پرت و مشاهدات اثرگذار
• 70. ارزیابی ساختار خطای مدل
• 71. انتخاب بین مدل‌های رقیب
• 72. مقایسه مدل‌های غیرخطی مختلف
• 73. مقایسه مدل‌های دارای Covariateهای متفاوت
• 74. ارزیابی پیچیدگی و پارامترسازی مدل
• 75. جلوگیری از بیش‌پارامتری‌سازی مدل
• 76. تحلیل مدل‌های سلسله‌مراتبی بالینی
• 77. مدل‌سازی اثرات مرکز درمانی در کارآزمایی چندمرکزی
• 78. مدیریت تفاوت‌های بین گروه‌های درمانی
• 79. مدل‌سازی Treatment Effect
• 80. تحلیل تعامل درمان و Covariate
• 81. مدل‌سازی پاسخ در گروه‌های مختلف بیمار
• 82. تحلیل End Pointهای پیوسته
• 83. تحلیل End Pointهای دودویی
• 84. تحلیل داده‌های شمارشی در کارآزمایی
• 85. مدل‌سازی زمان تا رخداد
• 86. تحلیل طولی اثر درمان
• 87. مدیریت وابستگی‌های درون‌فردی
• 88. مدیریت داده‌های نامتوازن در مطالعات طولی
• 89. بررسی Robustness مدل نسبت به فرض‌های آماری
• 90. تحلیل سناریوهای جایگزین مدل
• 91. تحلیل حساسیت نتایج بالینی
• 92. کنترل خطاهای عددی در مدل‌های پیچیده
• 93. بهینه‌سازی عملکرد مدل‌های بزرگ در ADMB
• 94. مدیریت مدل‌های دارای تعداد زیاد پارامتر
• 95. استفاده از ADMB برای محاسبات آماری سنگین
• 96. اتصال خروجی ADMB به R برای تحلیل و بصری‌سازی
• 97. پردازش و پاک‌سازی خروجی‌های ADMB در R
• 98. ترسیم نمودارهای تشخیصی برای مدل‌های ADMB
• 99. ساخت گردش‌کار تکرارپذیر تحلیل بالینی
• 100. مستندسازی مدل‌های آماری کارآزمایی