Basiscursus Python voor biomedische data-analyse

Les 1 • Kern-Python-syntaxis en gegevenstypen

Behandelt variabelen, numerieke typen, tekenreeksen en booleans met biomedische naamgevingsconventies. Biedt de basiswoordenschat voor alle daaropvolgende gegevensmanipulatietaken.

Les 2 • Lussen en iteratie

Introduceert for- en while-lussen voor het verwerken van verzamelingen patiëntdossiers. Ondersteunt direct batchverwerkingspatronen die worden gebruikt in datapijplijnhoofdstukken.

Les 3 • De Python-omgeving instellen

Anaconda installeren, Jupyter Notebook configureren en pakketbeschikbaarheid controleren. Creëert de reproduceerbare werkruimte die in de gehele cursus wordt gebruikt.

Les 4 • Besturingsstroom en logica

Leert if/elif/else-vertakkingen en vergelijkingsoperatoren aan de hand van klinische drempelvoorbeelden. Maakt voorwaardelijke gegevensfiltering mogelijk die in latere analysehoofdstukken wordt toegepast.

Les 1 • Sets en lidmaatschapstesten

Introduceert sets voor deduplicatie en snelle lidmaatschapscontroles op cohortidentificatoren. Ondersteunt gegevensopschoonstappen die in het pandas-hoofdstuk worden behandeld.

Les 2 • Lijsten en tupels in klinische context

Behandelt het maken, indexeren, slicen en muteren van lijsten naast onveranderlijke tupels. Koppelt aan het opslaan van geordende meetreeksen en vaste metadatavelden.

Les 3 • Bestandsinvoer en -uitvoer basisprincipes

Leest en schrijft platte tekst- en CSV-bestanden met ingebouwde Python-hulpmiddelen. Overbrugt ruwe gegevensbestanden naar de gestructureerde laadmethoden die met pandas worden geïntroduceerd.

Les 1 • Gegevens selecteren en filteren

Leert loc, iloc, booleaanse indexering en query voor het subsetten van rijen en kolommen. Maakt cohortextractie en variabelenselectie voor verdere analyse mogelijk.

Les 2 • Inleiding tot DataFrames en Series

Legt de DataFrame- en Series-objecten, hun assen en gegevenstypen uit. Creëert het kerngegevenmodel dat in elke daaropvolgende pandas-operatie wordt gebruikt.

Les 3 • Klinische gegevens uit bestanden laden

Behandelt read_csv, read_excel en read_json met scheidingsteken- en coderingsopties. Verwerkt veelvoorkomende bestandsindelingen die voorkomen in exportbestanden van elektronische patiëntendossiers.

Les 4 • Verkennende gegevensinspectie

Gebruikt head, info, describe en value_counts om de datasetstructuur en -verdelingen te profileren. Identificeert ontbrekende waarden en uitschieters vóór enige transformatiestap.

Les 1 • Tekenreeksen opschonen en standaardiseren

Gebruikt str-accessormethoden om diagnosecodes, medicijnnamen en vrije-tekstvelden te normaliseren. Zorgt voor consistente categorielabels vóór groepering en aggregatie.

Les 2 • Feature-engineering basisprincipes

Creëert afgeleide variabelen zoals BMI, leeftijdsgroepen en verstreken tijd uit ruwe kolommen. Produceert klinisch betekenisvolle features voor modellering en gestratificeerde analyse.

Les 3 • Ontbrekende gegevens verwerken

Behandelt dropna, fillna en interpolatiestrategieën die geschikt zijn voor klinische metingen. Bespreekt de impact van elke strategie op statistische validiteit.

Les 4 • Uitschieters detecteren en behandelen

Past IQR-afrasteringen en z-score-drempels toe om fysiologisch niet-plausibele waarden te markeren. Koppelt uitschieterbeslissingen aan domeinkennis en analysegevoeligheid.

Les 1 • GroupBy-operaties voor cohortanalyse

Past groupby met agg, transform en apply toe om groepsstatistieken te berekenen. Maakt samenvattingen per diagnose, per locatie en per tijdstip van klinische uitkomsten mogelijk.

Les 2 • Gegevens hervormen: melt en stack

Transformatie van laboratoriumpanelen in breed formaat naar lang formaat met melt, stack en unstack. Bereidt gegevens voor op longitudinale analyse en tidy-data-visualisatieworkflows.

Les 3 • Draaitabellen en kruistabellen

Bouwt pivot_table- en crosstab-samenvattingen voor contingentie- en frequentieanalyse. Ondersteunt rapportageformaten die vereist zijn in tabellen met klinische onderzoeksresultaten.

Les 1 • Statistische grafieken met Seaborn

Gebruikt seaborn voor distributie-, categorische en relatiegrafieken met ingebouwde statistieken. Versnelt verkennende visualisatie van klinische variabele relaties.

Les 2 • Matplotlib-basisprincipes

Introduceert het Figure- en Axes-model, basistypen grafieken en opmaakopties. Biedt de renderinglaag die ten grondslag ligt aan alle later gebruikte visualisatiebibliotheken.

Les 3 • Grafieken aanpassen voor publicatie

Past thema's, kleurenpaletten, lettergroottes en lay-outaanpassingen toe voor tijdschriftnormen. Zorgt dat figuren voldoen aan toegankelijkheids- en reproduceerbaarheidsvereisten.

Les 4 • Longitudinale patiëntgegevens visualiseren

Plotten van biomarker-trajecten in tijdreeksen en gebeurtenis-tijdlijnen voor individuele patiënten. Koppelt temporele visualisatie aan de gegevenshervormingsvaardigheden uit het vorige hoofdstuk.

Les 1 • Correlatie en correctie voor meervoudig testen

Berekent Pearson- en Spearman-correlaties en past FDR-correctie toe voor multi-biomarkerpanelen. Adresseert opgeblazen fout-positiefpercentages in hoogdimensionale biomedische studies.

Les 2 • Groepen vergelijken met parametrische tests

Voert t-toetsen en ANOVA uit met SciPy om gemiddelden tussen patiëntgroepen te vergelijken. Omvat aannamecontrole voor normaliteit en homogeniteit van variantie.

Les 3 • Hypothese toetsen basisprincipes

Behandelt p-waarden, significantieniveaus, effectgroottes en power voor biomedische onderzoeksopzet. Voorkomt veelvoorkomende misinterpretaties van statistische significantie in klinische contexten.

Les 4 • Beschrijvende statistiek en verdelingen

Berekent gemiddelde, mediaan, variantie, scheefheid en kurtosis voor klinische meetverdelingen. Creëert de basiskarakterisering die vereist is vóór elke inferentiële toets.

Les 1 • Modelinterpreteerbaarheid en feature-importance

Extraheert feature-importances, SHAP-waarden en partial dependence plots om modelbeslissingen uit te leggen. Ondersteunt wettelijke en klinische vertrouwensvereisten voor voorspellende tools.

Les 2 • Modelevaluatie en prestatiekengetallen

Past nauwkeurigheid, precisie, recall, F1, ROC-AUC en verwarringsmatrices toe om classifiers te beoordelen. Selecteert kengetallen die zijn afgestemd op de klinische kostenasymmetrie tussen fout-positieven en fout-negatieven.

Les 3 • Regressiemodellen voor continue biomarkers

Past lineaire, ridge- en lasso-regressie toe om continue laboratoriumwaarden en doseringsresponsen te voorspellen. Evalueert modellen met RMSE, MAE en R-kwadraat op vastgehouden testdatasets.

Les 4 • Machine-learningconcepten en -workflow

Definieert gesuperviseerd leren, train-test-splits en de bias-variantie-afweging in klinische contexten. Creëert de end-to-end modelleringspijplijn die in elke volgende sectie wordt toegepast.