Metodi probabilistici in aiuto alle decisioni cliniche.
Teoria delle probabilità. Teorie classica, frequentistica e assiomatica. Coppie di eventi.
Probabilità condizionata. Approccio bayesiano alla diagnosi e alla decisione clinica.
Probabilità a priori e a posteriori. Test diagnostici. Matrice di classificazione.
Sensibilità e Specificità. Regola di Bayes e Valori Predittivi. Rischio relativo (ODDs).
Rapporto di massima verosimiglianza: likelihood ratio (LR).
Rapporto tra teorema di Bayes, ODDs e LR.
Valutazione delle prestazioni di un test diagnostico e di un processo decisionale.
Curva ROC.
Metodi computerizzati a supporto della diagnosi.
Approcci diagnostici probabilistici, bayesiani e non bayesiani.
Probabilità e densità di probabilità condizionate.
Distribuzione gaussiana multivariata.
Modelli decisionali di tipo statistico e matematico.
Modelli interpretativi e modelli black box. Classificatori.
Progetto del modello al computer. Dati clinici.
Insiemi di apprendimento (learning set) e di verifica (testing set).
Uso clinico del classificatore.
Algoritmi a passi (stepwise) per la scelta delle informazioni discriminanti.
Generalizzazione e potere predittivo dei modelli: tecniche di rotazione e leave-one-out.
Indici di performance: errore quadratico medio, sensibilità, specificità, accuratezza, area ROC.
Modelli di rischio di tipo logistico. Odds ratio. Probabilità prognostiche e diagnostiche:
calibrazione e discriminazione. Soglia di decisione probabilistica.
Curva ROC e costo clinico/sanitario delle scelte decisionali.
Cenni all’analisi di sopravvivenza: curve Kaplan-Meier e log-rank test.
Cenni alle reti neurali artificiali e agli algoritmi genetici.
Esempi di progetto di semplici modelli di classificazione al calcolatore.