Course Syllabus

Export

L'insegnamento vuole far apprendere a studenti e studentesse come analizzare dati medici (specialmente quelli di cartelle cliniche elettroniche) attraverso tecniche di statistica computazionale, di apprendimento automatico, e di analisi di sopravvivenza per scoprire nuova conoscenza sulle condizioni dei pazienti.
Il corso si propone di fornire i concetti di base dell'epidemiologia che sono alla base di un adeguato approccio metodologico a un progetto di ricerca nel campo della salute pubblica. Lo studente sarà in grado di gestire i big data nella salute pubblica, concentrandosi in particolare su diversi aspetti tra cui la progettazione, la gestione e l'analisi dei dati. Lo studente sarà in grado di implementare strategie di disegno adeguate ai registri, ai dati sanitari amministrativi, ai dati clinici ed omici.

  1. Conoscenza e capacità di comprensione
    Al termine del corso lo studente avrà acquisito:
    Concetti core dell’epidemiologia e metodologia della ricerca clinica.
    Logica dei diversi disegni di studio epidemiologici.
    Caratteristiche, strutture e limiti dei Big Data sanitari.

  2. Conoscenza e capacità di comprensione applicate
    Lo studente sarà in grado di applicare le conoscenze statistiche e metodologiche per:
    Progettazione, gestione e analisi statistica di Big Data in sanità pubblica.
    Implementazione di strategie di disegno specifiche per dati amministrativi, clinici e omici.
    Utilizzo dell'ambiente Bioconductor

  3. Autonomia di giudizio
    Lo studente svilupperà la capacità di:
    Scegliere in maniera autonoma modello statistico e disegno di studio più idonei al quesito
    epidemiologico/clinico.
    Valutare criticamente la qualità dei dati, identificando e correggendo ove possibile bias e confondimenti.

  4. Abilità comunicative
    Lo studente sarà in grado di:
    Tradurre i risultati statistici complessi in report e indicatori chiari per un audience multidisciplinare
    Lavorare e comunicare efficacemente in team multidisciplinari di sanità pubblica.

  5. Capacità di apprendimento
    Lo studente avrà sviluppato abilità di apprendimento autonomo che gli consentiranno di:
    Aggiornarsi autonomamente su modelli statistici avanzati e nuove metodologie di gestione dei dati sanitari.

Dataset search and retrieval
Data preparation and data cleaning
Exploratory data analysis
Unsupervised machine learning
Supervised machine learning
Feature ranking
Result understanding and validation
R and Python programming languages
Survival analysis
Epidemiologia della popolazione
Disegni di studio
Metodi statistici con applicazione a dati di natura diversa.
Integrazione di fonti dati diverse.

Dataset search and retrieval
Data preparation and data cleaning
Exploratory data analysis
Unsupervised machine learning
Supervised machine learning
Feature ranking
Result understanding and validation
R and Python programming languages
Nozioni di base sull'epidemiologia di popolazione.
Disegni di studio per dati provenienti da fonti diverse (dati di registro, biomarcatori, biobanche, sondaggi).
Analisi della sopravvivenza: stima della funzione di sopravvivenza e modello di Cox.
Utilizzo dell'ambiente Bioconductor

Statistica descrittiva e inferenziale e basi dell'apprendimento automatico
Conoscenza di base di R o Python

Lezioni in presenza ed esercitazioni in presenza
3 lezioni di 2 ore condotte in modalità remota (asincrona)

Slides presentate a lezione ed articoli scientifici segnalati a lezione

Articoli scientifici:
Davide Chicco, Vasco Coelho (2025) "A teaching proposal for a short course on biomedical data science", PLOS Computational Biology 21(4): e1012946. https://doi.org/10.1371/journal.pcbi.1012946

Libri di testo:
Kenneth J. Rothman Sander Greenland, Timothy L. Lash . Modern Epidemiology. Lippincott Williams & Wilkins; 3rd ed.
Eric Vittinghoff, David V. Glidden, Stephen C. Shiboski, Charles E. McCulloch. Regression Methods in Biostatistics
Linear, Logistic, Survival, and Repeated Measures Models. Statistics for Biology and Health book series. Springer; 2nd edition (March 6, 2012)
Marie Reilly "Beyond classic epidemiological designs" https://www.routledge.com/Controlled-Epidemiological- Studies/Reilly/p/book/9780367186784 Chapman & Hall/CRC Biostatistics Series 2023
Modern Statistics for Modern Biology, by Susan Holmes and Wolfgang Huber, Cambridge University Press (2019).
ISBN: 9781108705295.

Primo semestre

Progetto scientifico comprendente entrambe le unità didattiche per verificare le capacità dello studente nell'applicazione della metodologia di ricerca in sanità pubblica.
Consegna di una relazione e presentazione orale del lavoro svolto. (75% del voto finale).
Questionario a risposta chiusa per valutare la preparazione sul programma dell'unità didattica Statistical Modeling for Epidemiology (25% del voto finale).

Da concordare via email scrivendo a davide.chicco(AT)unimib.it o paola.rebora(AT)unimib.it

SALUTE E BENESSERE
Export

This module aims at teaching students how to analyze medical data (especially, data of electronic health records) through computational statistics and machine learning techniques to infer new knowledge about the conditions of patients.
This course aims to provide the basic concepts of epidemiology that are at the basis of a proper methodological approach to a research project in public health. The student will be able to deal with big data in public health particularly focusing on several aspects including design, data managment and analysis. The student will be able to implement optimal design strategies on registries, administrative health data, clinical and omics data.

  1. Knowledge and Understanding
    By the end of the course, students will have acquired:
    Core concepts of epidemiology and clinical research methodology.
    The rationale behind various epidemiological study designs.
    Characteristics, structures, and limitations of health-related Big Data.

  2. Applied Knowledge and Understanding
    Students will be able to apply statistical and methodological knowledge to:
    Design, manage, and perform statistical analysis of Big Data in public health.
    Implement specific design strategies for administrative, clinical, and omics data.
    Use the Bioconductor environment

  3. Independent Judgment
    Students will develop the ability to:
    Independently select the study design and statistical tool that best suit to the epidemiological/clinical
    question.
    Critically evaluate data quality, identifying and correcting bias and confounders, where possible.

  4. Communication Skills
    Students will be able to:
    Translate complex statistical results into clear reports and indicators for multidisciplinary audience
    Work and communicate effectively in multidisciplinary public health teams.

  5. Learning Skills
    Students will have developed independent learning skills that will enable them to:
    Keep up to date with advanced statistical models and new methods for managing health data.

Dataset search and retrieval
Data preparation and data cleaning
Exploratory data analysis
Unsupervised machine learning
Supervised machine learning
Feature ranking
Result understanding and validation
R and Python programming languages
Survival analysis
Population epidemiology
Study designs
Statistical methods with application to various types of health data.
Integration of different data sources.

Dataset search and retrieval
Data preparation and data cleaning
Exploratory data analysis
Unsupervised machine learning
Supervised machine learning
Feature ranking
Result understanding and validation
R and Python programming languages
Basics in population epidemiology.
Advanced study designs to combine data from different sources (registry data, biomarkers, biobanks, surveys).
Survival analysis: survival estimate and Cox model regression.
Use of the Bioconductor environment.

Descriptive and inferential statistics and basic machine learning
Basic knowledge of R o Python

In-person theory classes and practice exercise classes
3 2-hour lectures conducted in a remote (asynchronous) delivery mode

Classes slides and scientific papers mentioned during classes

Articles:
Davide Chicco, Vasco Coelho (2025) "A teaching proposal for a short course on biomedical data science", PLOS Computational Biology 21(4): e1012946. https://doi.org/10.1371/journal.pcbi.1012946

Textbooks:
Kenneth J. Rothman Sander Greenland, Timothy L. Lash . Modern Epidemiology. Lippincott Williams & Wilkins; 3rd ed.
Eric Vittinghoff, David V. Glidden, Stephen C. Shiboski, Charles E. McCulloch. Regression Methods in Biostatistics
Linear, Logistic, Survival, and Repeated Measures Models. Statistics for Biology and Health book series. Springer; 2nd edition (March 6, 2012)
Marie Reilly "Beyond classic epidemiological designs" https://www.routledge.com/Controlled-Epidemiological- Studies/Reilly/p/book/9780367186784 Chapman & Hall/CRC Biostatistics Series 2023
Modern Statistics for Modern Biology, by Susan Holmes and Wolfgang Huber, Cambridge University Press (2019).
ISBN: 9781108705295.

First semester

Scientific project including both teaching units to test the ability of the student in the application of research methodology in public health. Delivery of a report, and oral presentation of the work done (75% of the overall grade).
Questionnaire with closed answer to evaluate the preparation on the program of the teaching unit Statistical Modeling for Epidemiology (25% of the overall grade).

To define via email by writing to davide.chicco(AT)unimib.it or paola.rebora(AT)unimib.it

GOOD HEALTH AND WELL-BEING
Enter

Key information

ECTS
6
Term
First semester
Activity type
Mandatory to be chosen
Course Length (Hours)
48
Degree Course Type
2-year Master Degree
Language
English

Staff

    Teacher

  • GC
    Giulia Capitoli
  • Davide Chicco
    Davide Chicco
  • Paola Rebora
    Paola Rebora

Students' opinion

View previous A.Y. opinion

Bibliography

Find the books for this course in the Library

Enrolment methods

Manual enrolments
Guest access

Sustainable Development Goals

GOOD HEALTH AND WELL-BEING - Ensure healthy lives and promote well-being for all at all ages