Het programma is opgedeeld in 4 cursusdagen waarin theorie en practica worden afgewisseld.
Dag 1: De ontwikkeling en kwaliteit van predictiemodellen met o.a.:
- Kenmerken van een predictiemodel.
- Meest gebruikte methoden van variabelen selectie.
- Voor- en nadelen van selectie methodes van variabelen.
- Sample size aanbevelingen bij het ontwikkelen van predictiemodellen.
- Verschillende maten voor kwaliteit benoemen en de interpretatie daarvan behandelen (o.a. verklaarde variantie, Brier score, kalibratie, discriminatie, ROC curve).
- Introductie Spline regression models.
- Introductie R software.
Dag 2: Het intern en extern valideren van predictiemodellen met o.a.:
- Gebruik van de linear predictor.
- Interne validatie en de betekenis van overfitting, optimisme en shrinkage.
- Technieken voor intern valideren.
- Train en test data sets (bootstrapping en cross-validation).
- Vertaling van een predictiemodel naar makkelijk te gebruiken (klinisch) instrument.
- Externe validatie van predictiemodellen.
Dag 3: Het verbeteren en uitbreiden van predictiemodellen met o.a.:
- Extern valideren van een predictiemodel.
- Verschillende methodes voor het aanpassen (updaten) van predictiemodellen.
- Predictiemodellen met elkaar vergelijken en klinische toepasbaarheid evalueren (o.a. reclassificatietabellen en Decision Curve Analyse).
- De ontwikkeling van een predictiemodel voor survival data met Cox regressie aan de hand van een praktische casus.
Dag 4: Machine Learning technieken met o.a:
- Verschil tussen Train en test data sets.
- Bias-Variance trade off.
- Lasso Regressie.
- Model stabiliteit analyses.
- Tree based methodes.
- Random forest technieken.
