Cours Python pour l'analyse de données biomédicales

Leçon 1 • Syntaxe de base de Python et types de données

Couvre les variables, les types numériques, les chaînes de caractères et les booléens avec des conventions de dénomination biomédicales. Fournit le vocabulaire pour toutes les tâches ultérieures de manipulation de données.

Leçon 2 • Boucles et itération

Présente les boucles for et while pour le traitement de collections d'enregistrements de patients. Soutient directement les modèles de traitement par lots utilisés dans les chapitres sur les pipelines de données.

Leçon 3 • Configuration de l'environnement Python

Installez Anaconda, configurez Jupyter Notebook et vérifiez la disponibilité des paquets logiciels. Établit l'espace de travail reproductible utilisé tout au long du cours.

Leçon 4 • Flux de contrôle et logique

Enseigne les branchements if/elif/else et les opérateurs de comparaison à l'aide d'exemples de seuils cliniques. Permet le filtrage conditionnel de données appliqué dans les chapitres d'analyse ultérieurs.

Leçon 1 • Ensembles et tests d'appartenance

Présente les ensembles pour la déduplication et les tests d'appartenance rapides sur les identifiants de cohorte. Soutient les étapes de nettoyage de données abordées dans le chapitre sur pandas.

Leçon 2 • Listes et tuples dans un contexte clinique

Couvre la création de listes, l'indexation, le slicing et la mutation, ainsi que les tuples immuables. Se connecte au stockage de séries de mesures ordonnées et de champs de métadonnées fixes.

Leçon 3 • Principes de base de l'entrée-sortie de fichiers

Lit et écrit des fichiers texte brut et CSV à l'aide des outils Python intégrés. Fait le pont entre les fichiers de données brutes et les méthodes de chargement structuré introduites avec pandas.

Leçon 1 • Sélection et filtrage de données

Enseigne loc, iloc, l'indexation booléenne et query pour sous-ensembler des lignes et des colonnes. Permet l'extraction de cohorte et la sélection de variables pour l'analyse en aval.

Leçon 2 • Introduction aux DataFrames et aux Series

Explique les objets DataFrame et Series, leurs axes et leurs dtypes. Établit le modèle de données central utilisé dans chaque opération pandas ultérieure.

Leçon 3 • Chargement de données cliniques à partir de fichiers

Couvre read_csv, read_excel et read_json avec des options de délimiteur et d'encodage. Gère les formats de fichiers courants rencontrés dans les exportations de dossiers de santé électroniques.

Leçon 4 • Inspection exploratoire des données

Utilise head, info, describe et value_counts pour profiler la structure et les distributions des ensembles de données. Identifie les valeurs manquantes et les valeurs aberrantes avant toute étape de transformation.

Leçon 1 • Nettoyage et standardisation des chaînes de caractères

Utilise les méthodes de l'accesseur str pour normaliser les codes de diagnostic, les noms de médicaments et les champs de texte libre. Garantit des étiquettes de catégorie cohérentes avant le regroupement et l'agrégation.

Leçon 2 • Principes de base de l'ingénierie des caractéristiques

Crée des variables dérivées telles que l'IMC, les groupes d'âge et le temps écoulé à partir de colonnes brutes. Produit des caractéristiques cliniquement significatives pour la modélisation et l'analyse stratifiée.

Leçon 3 • Gestion des données manquantes

Couvre dropna, fillna et les stratégies d'interpolation appropriées pour les mesures cliniques. Discute de l'impact de chaque stratégie sur la validité statistique.

Leçon 4 • Détection et traitement des valeurs aberrantes

Applique le cloisonnement par IQR et les seuils de z-score pour signaler les valeurs physiologiquement invraisemblables. Relie les décisions sur les valeurs aberrantes à la connaissance du domaine et à la sensibilité de l'analyse.

Leçon 1 • Opérations groupBy pour l'analyse de cohorte

Applique groupby avec agg, transform et apply pour calculer des statistiques de groupe. Permet des résumés des résultats cliniques par diagnostic, par site et par point temporel.

Leçon 2 • Remodelage des données : Melt et Stack

Transforme les panneaux de laboratoire au format large en format long en utilisant melt, stack et unstack. Prépare les données pour l'analyse longitudinale et les flux de travail de visualisation de données ordonnées.

Leçon 3 • Tableaux croisés dynamiques et tabulations croisées

Construit des résumés pivot_table et crosstab pour l'analyse de contingence et de fréquence. Prend en charge les formats de rapport exigés dans les tableaux de résultats d'essais cliniques.

Leçon 1 • Graphiques statistiques avec Seaborn

Utilise seaborn pour les graphiques de distribution, catégoriels et relationnels avec des statistiques intégrées. Accélère la visualisation exploratoire des relations entre variables cliniques.

Leçon 2 • Fondamentaux de Matplotlib

Présente le modèle Figure et Axes, les types de graphiques de base et les contrôles de mise en forme. Fournit la couche de rendu sous-jacente à toutes les bibliothèques de visualisation utilisées ultérieurement.

Leçon 3 • Personnalisation des graphiques pour la publication

Applique des thèmes, des palettes de couleurs, des tailles de police et des ajustements de mise en page selon les normes des revues. Garantit que les figures répondent aux exigences d'accessibilité et de reproductibilité.

Leçon 4 • Visualisation des données longitudinales des patients

Trace les trajectoires de biomarqueurs de séries temporelles et les chronologies d'événements pour des patients individuels. Relie la visualisation temporelle aux compétences de remodelage de données du chapitre précédent.

Leçon 1 • Corrélation et correction pour tests multiples

Calcule les corrélations de Pearson et Spearman et applique la correction FDR pour les panels de multiples biomarqueurs. Traite des taux de faux positifs gonflés dans les études biomédicales à haute dimensionnalité.

Leçon 2 • Comparaison de groupes avec des tests paramétriques

Exécute des tests t et ANOVA à l'aide de SciPy pour comparer les moyennes entre des groupes de patients. Inclut la vérification des hypothèses de normalité et d'homogénéité de la variance.

Leçon 3 • Fondamentaux des tests d'hypothèses

Couvre les p-valeurs, les niveaux de significativité, les tailles d'effet et la puissance pour la conception d'études biomédicales. Empêche les interprétations erronées courantes de la significativité statistique dans des contextes cliniques.

Leçon 4 • Statistiques descriptives et distributions

Calcule la moyenne, la médiane, la variance, l'asymétrie et l'aplatissement pour les distributions de mesures cliniques. Établit la caractérisation de base requise avant tout test inférentiel.

Leçon 1 • Interprétabilité des modèles et importance des caractéristiques

Extrait les importances des caractéristiques, les valeurs SHAP et les diagrammes de dépendance partielle pour expliquer les décisions du modèle. Soutient les exigences de confiance réglementaires et cliniques pour les outils prédictifs.

Leçon 2 • Évaluation du modèle et métriques de performance

Applique l'exactitude, la précision, le rappel, le F1, la ROC-AUC et les matrices de confusion pour évaluer les classifieurs. Sélectionne les métriques alignées sur l'asymétrie des coûts cliniques entre les faux positifs et les faux négatifs.

Leçon 3 • Modèles de régression pour les biomarqueurs continus

Ajuste la régression linéaire, ridge et lasso pour prédire les valeurs de laboratoire continues et les réponses posologiques. Évalue les modèles avec RMSE, MAE et R au carré sur des ensembles de test exclus.

Leçon 4 • Concepts et flux de travail de l'apprentissage automatique

Définit l'apprentissage supervisé, les divisions entraînement-test et le compromis biais-variance dans des contextes cliniques. Établit le pipeline de modélisation de bout en bout appliqué dans chaque section ultérieure.