class: center, middle, inverse, title-slide .title[ # Monte Carlo-simulering: ] .subtitle[ ## Tilfeldigheter som verktøy i medisinsk forskning ] .date[ ### Janne Mannseth ] --- <style> ul li { margin-bottom: 10px; /* Adjust this value for more/less space */ } </style> ## Dagens mål: 1. Å forstå hvorfor Monte Carlo er viktig i medisinsk forskning! 2. Å vite hvordan å gå frem for å bruke Monte Carlo! 3. Inspirere til å prøve Monte Carlo! -- (Ikke et mål: å se kode - den er ikke så komplisert, men må som all annen programmering tilpasses ditt spesifikke problem.) -- <!-- - Hvorfor skal vi bruke det? --> ### Dagens agenda: -- Hva er Monte Carlo, hvordan fungerer det og hvordan brukes det i medisin? --- ### Hva er Monte Carlo? En statistisk metode som bruker simuleringer for å estimere ukjente utfall -- Gjentar tusenvis av ganger for å se variasjonen i utfallene -- Nærmer oss den sanne verdien av utfallet <img src="MC_storetallslov.png" alt="" style="display: block; margin-left: auto; margin-right: auto; width: 60%;"> -- Man bruker **tilfeldige simuleringer** til å løse ekte problemer! --- ### Hvordan fungerer Monte Carlo-metoden? **Oppskrift** -- 1. Hva vil du ha svar på (forventet verdi, sannsynlighet, ...)? -- 2. Velg passende sannsynlighetsfordeling (normal for høyder, eksponential for ventetid, ...) -- 3. Trekk verdi tilfeldig fra fordelingen -- 4. Beregn utfallet for denne verdien -- 5. Gjenta punkt 3. og 4. mange ganger - gjennomsnittet av simuleringene vil gå mot sann verdi --- ### Hva tilføres versus analytiske løsninger? - Fleksibilitet - Færre antagelser - Ikke begrenset av tilgjenglige data - Håndtering av usikkerhet - Utforske variasjon i parametere - Sannsynlighetsfordeling - Får se mange tusen 'hendelser' - helhetlig forståelse --- ### Når er Monte Carlo nyttig i praksis? - Kliniske studier - Planlegging: simulere ulike scenarier, teste analysemetoder - Underveis: justere eller avslutte basert på løpende simuleringer - Etter: undersøke grupper med ulike respons -- - Helseøkonomi - Kostnad versus nytte - Nye behandlinger "prøves ut" uten risiko - Beslutningsstøtte -- - Overlevelsesanalyse - Mange tusen levetidskurver med mulighet for variasjon --- ### Når er Monte Carlo nyttig i praksis (smittespredning)? Det er viktig å kunne si noe om hvordan en alvorlig smittsom sykdom utvikler seg i befolkningen. Typiske variasjoner: smittehastighet, inkubasjonstid, atferd. -- Ved å bruke Monte Carlo kan vi simulerere en mengde smitteforløp for å lære mer! --- ### Når er Monte Carlo nyttig i praksis (smittespredning)? **Hvordan påvirker ulike smittehastigheter en epidemi gjennom 200 dager?** -- *Oppskrift* -- 1. *Hva vil du ha svar på:* hvor mange smittede hver dag for høy, middels og lav smittehastighet? -- 2. *Velge passende sannsynlighetsfordeling:* normalfordeling -- 3. *Trekke verdi tilfeldig fra fordelingen:* vi trekker smittehastighet -- 4. *Beregne utfall for verdien:* Vi får antall smittede hver dag (én epidemi) -- 5. *Gjenta punkt 3. og 4. mange ganger:* Får en mengde sannsynlige epidemier basert på smittetall --- ### Når er Monte Carlo nyttig i praksis (smittespredning)? <img src="smittefull.png" alt="" style="display: block; margin-left: auto; margin-right: auto; width: 90%;"> --- class: middle # Oppsummering av dagens mål! --- ### Mål 1. Å forstå hvorfor Monte Carlo er viktig i medisinsk forskning: Bidrar ved **å modellere tilfeldigheter og usikkerhet**, slik at vi kan **estimere mange sannsynlige utfall** og ta bedre beslutninger. -- - Data kan være usikre eller mangelfulle &rarr; Monte Carlo lar oss prøve ut ulike verdier og større populasjoner -- - Relevante bruksområder: - Epidemiologi &rarr; smittespredning og effekten av tiltak og endring i smittehastighet - Kliniske studier &rarr; rom for bedre planlegging og for å vurdere forsøket underveis - Overlevelsesanalyse &rarr; hvordan endring i parametere påvirker levetid - Helseøkonomi &rarr; kunnskap før beslutning om innføring av nye prosedyrer --- <div style="font-size: 93%;"> ### Mål 2. Å vite hvordan å gå frem for bruke Monte Carlo: **Før** - Vite hva du ønsker å estimere (sannsynlighet, risiko, antall, +++) - Velge passende sannsynlighetsfordeling (hvilke variabler skal variere og hvilken fordeling beskriver dem best) -- **Underveis** - Simuler scenarioer ved å trekke tilfeldig, men realistisk verdi for variabelen - Bruk verdien i beregning av utfallet - Gjenta tusenvis av ganger -- **Etter** - Analyser resultatene: gjennomsnitt, konfidensintervaller, visualisering, +++ <div> --- ### Mål 3. Inspirere til å prøve Monte Carlo: 1. Simuler datasett som speiler de virkelige dataene dine &rarr; <br> får observere hvordan usikkerhet og variasjon påvirker analysene -- 2. Effektiv måte å utforske ulike scenarier &rarr; <br> trenger ikke vente på at data blir klare for å begynne å modellere -- 4. Bygger kun på grunnleggende statistisk kunnskap &rarr; <br> sannsynlighetsfordelinger, estimering og varians -- 5. Ikke avansert å implementere &rarr; <br> hvis du kan kode regresjon, kan du også starte med simuleringer --- class:middle <span style="font-size: 140%;"> **Monte Carlo bygger på statistikk du allerede kjenner, <br> gir fleksibilitet i analyser og verdifull innsikt i data!** <span>