VBL5025 - Biyoistatistik Uygulamaları

BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ

LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ

VERİ BİLİMİ VE ANALİTİĞİ - YL

(2025 - 2026) Ders Bilgi Formu

Ders Adı	Kodu	Yarıyıl	T+U Saat	AKTS	Z / S
Biyoistatistik Uygulamaları	VBL5025	1	3 + 0	7,5	Seçmeli

Birim Bölüm	Veri Bilimi ve Analitiği - YL - Lisansüstü (Yüz yüze)
Amaç	Bu dersin amacı, tıp, biyoloji ve sağlık bilimlerinden elde edilen verilerin analizinde kullanılan istatistiksel yöntemleri ve bu yöntemlerin bilgisayar yazılımları (R, Python veya SPSS) aracılığıyla uygulanmasını öğretmektir. Öğrencilerin klinik deney tasarımlarını anlamaları, sağkalım analizleri yapabilmeleri ve sağlık verilerindeki karmaşık ilişkileri bilimsel bir titizlikle raporlamaları hedeflenmektedir.
Ders İçeriği	Ders; biyoistatistikte temel kavramlar ve örnekleme yöntemleriyle başlar. Tanı testlerinin performansı (duyarlılık, özgüllük, ROC analizi), sağkalım analizleri (Kaplan-Meier, Cox Regresyon), klinik deneylerde güç (power) analizi ve etik yaklaşımlar konularını uygulamalı olarak kapsar.
EBS Koordinatörü	Kadriye Nurdanay ÖZTÜRK Serpil TÜRKYILMAZ

Hafta	Konu
1	Giriş: Biyoistatistiğin temelleri, değişken türleri ve tanımlayıcı istatistiklerin sağlık bilimlerindeki sunumu.
2	Araştırma Tasarımları: Gözlemsel (kesitsel, vaka-kontrol, kohort) ve deneysel çalışmaların istatistiksel yapısı.
3	Olasılık ve Dağılımlar: Sağlık verilerinde sık rastlanan dağılımlar (Binom, Poisson, Normal) ve önem düzeyleri.
4	Hipotez Testleri - I: Parametrik testler (t-testleri, ANOVA) ve sağlık alanından uygulama örnekleri.
5	Hipotez Testleri - II: Non-parametrik testler (Mann-Whitney U, Kruskal-Wallis) ve kullanım koşulları.
6	Epidemiyolojik Ölçütler: Risk analizi, Odds Ratio (OR), Görece Risk (RR) ve Güven Aralıkları.
7	Tanı Testleri Analizi: Duyarlılık (Sensitivity), Özgüllük (Specificity), Pozitif/Negatif Tahmin Değerleri ve ROC Eğrisi.
8	Ara Sınav / Klinik Veri Analiz Ödevi
9	Lojistik Regresyon: Sağlıkta risk faktörlerinin belirlenmesi ve ikili sonuçların modellenmesi.
10	Sağkalım (Survival) Analizi - I: Yaşam verilerinin doğası, sansürlü (censored) veri ve Kaplan-Meier yöntemi.
11	Sağkalım (Survival) Analizi - II: Log-Rank testi ve Cox Proportional Hazards Regresyon modeli.
12	Güç Analizi ve Örneklem Genişliği: Klinik çalışmalarda etik kurul onayı için gerekli örneklem büyüklüğü hesaplamaları.
13	Kategorik Veri Analizi: Ki-kare testleri, Fisher'in kesin testi ve McNemar testi
14	Büyük Sağlık Verileri (Health Informatics): Elektronik sağlık kayıtlarının analizi ve Final Proje Sunumları.

Program Çıktıları
1	Veri bilimi ve analitiğinin temel bileşenlerine hâkim olma; istatistiksel analiz, veri madenciliği ve makine öğrenmesine ilişkin yöntemleri uygulamalı olarak kullanabilme
2	Yapılandırılmış ve yapılandırılmamış veri tiplerini analiz etme becerisine sahip olma; büyük veri kümeleri üzerinden anlamlı çıkarımlar yaparak analitik yöntemleri etkili biçimde kullanabilme
3	Veri analizi ve modelleme süreçlerinde Python, R, SQL gibi programlama dillerinden yararlanabilme; veri işleme ve otomasyon adımlarını etkin biçimde yönetebilme
4	Veri görselleştirme ve sonuç raporlama tekniklerini kullanarak analiz bulgularını açık, etkili ve karar verme süreçlerine katkı sunacak biçimde ifade edebilme
5	Karmaşık veri odaklı problemleri analiz edebilme, uygun çözüm yolları geliştirebilme ve bilimsel araştırma yöntemleri aracılığıyla yaratıcı, veri temelli kararlar alabilme
6	Veri bilimi ve analitiği kapsamında karşılaşılan problemleri analiz edebilme, uygun veri analizi tekniklerini seçerek çözüm yolları geliştirebilme; istatistiksel, algoritmik ve yapay zekâ temelli yöntemleri eleştirel düşünme yeteneğiyle değerlendirebilme
7	Veri bilimi ve analitiği uygulamalarında Python, R, SQL gibi programlama dillerini etkin biçimde kullanabilme; veri madenciliği, makine öğrenmesi, büyük veri işleme, veri görselleştirme ve modelleme araçlarıyla pratik çözümler geliştirebilme, gerçek veri setleri üzerinde uygulamalar gerçekleştirebilme
8	Veri bilimi ve analitiği ile ilgili bireysel veya ekip çalışmalarında sorumluluk üstlenebilme, karmaşık veri projelerini bağımsız olarak planlayıp yürütebilme; karşılaştığı sorunlara analitik ve yaratıcı çözümler geliştirerek karar alma süreçlerinde etkin rol oynayabilme
9	Veri bilimi ve analitiği alanındaki güncel gelişmeleri, teknolojileri ve yöntemleri izleyerek yaşam boyu öğrenme bilinciyle kendini sürekli geliştirme yetkinliğine sahip olma; yeni bilgi ve becerileri hızla edinip uygulamaya aktarabilme
10	Veri bilimi ve analitiği alanındaki çalışmalarını yazılı, sözlü ve görsel yollarla açık ve etkili bir biçimde ifade edebilme; çok disiplinli takımlarda etkin biçimde çalışabilme, iletişim kurabilme ve iş birliğine dayalı çözümler geliştirebilme
11	Veri bilimi ve analitiği alanına özgü kavramlara, yöntemlere, algoritmalara ve araçlara hâkim olma; etik ilkelere uygun biçimde veri toplama, işleme, analiz etme ve yorumlama süreçlerini yürütebilme, veri gizliliği ve güvenliği konularında sorumluluk bilinciyle hareket edebilme

Ders Öğrenme Çıktısı - Program Çıktıları (1 -5 Puan Aralığı)

Ders Öğrenme Çıktısı	PÇ 1	PÇ 2	PÇ 3	PÇ 4	PÇ 5	PÇ 6	PÇ 7	PÇ 8	PÇ 9	PÇ 10	PÇ 11
Klinik araştırma tasarımlarını (vaka-kontrol, kohort, randomize kontrollü çalışmalar) ayırt eder ve uygun analiz yöntemini seçer.	-	-	-	-	-	-	-	-	-	-	-
Sağlık verilerinde eksik veri (missing data) ve aykırı değer analizlerini gerçekleştirir.	-	-	-	-	-	-	-	-	-	-	-
Sağkalım (Survival) Analizi tekniklerini kullanarak yaşam eğrilerini yorumlar.	-	-	-	-	-	-	-	-	-	-	-
Epidemiyolojik ölçütleri (Odds Ratio, Relative Risk) hesaplar ve istatistiksel olarak anlamlandırır.	-	-	-	-	-	-	-	-	-	-	-
Biyomedikal veri setleri üzerinde çok değişkenli analizler yürüterek bulguları akademik formatta sunar.	-	-	-	-	-	-	-	-	-	-	-
Ortalama Değer	-	-	-	-	-	-	-	-	-	-	-

https://ebs.bilecik.edu.tr/pdf/dersbilgigetir/451251