流行病学研究无处不在。即使你没有意识到，你每天都会接触到流行病学研究及其研究结果的影响。你可能听说过肥胖症在高收入国家日趋严重，或者疟疾正在夺去低收入国家数百万人的生命。众所周知，吸烟会导致癌症，体育锻炼可以预防心脏病。这些事实在今天看来似乎显而易见，但流行病学研究却花了几十年的时间才得出必要的证据。在本课程中，您将学习进行此类研究必不可少的流行病学基本工具，首先是用于描述疾病或健康相关状况发生频率的测量方法。您还将学习如何量化关联的强度，并讨论关联与因果关系之间的区别。在课程的后半部分，您将利用这些知识来描述不同的预防策略，确定诊断测试的优缺点，并考虑何时适合实施筛查计划。
在流行病学中测量疾病
了解顶级公司的员工如何掌握热门技能
积累特定领域的专业知识
本课程是 公共卫生流行病学 专项课程 专项课程的一部分
在注册此课程时，您还会同时注册此专项课程。
- 向行业专家学习新概念
- 获得对主题或工具的基础理解
- 通过实践项目培养工作相关技能
- 获得可共享的职业证书
该课程共有4个模块
流行病学的主要目的之一是描述疾病或其他对人口健康非常重要的情况的发生频率。根据具体情况，您可以使用不同类型的测量方法来实现这一目的。在本模块中，您将学习计算流行率、几率、累积发病率和发病率等指标。我们将强调它们的共同点和不同点。本单元结束时，您将能够在各种情况下选择和计算适当的频率测量值。
涵盖的内容
5个视频9篇阅读材料1个作业2个讨论话题1个插件
本单元首先介绍了关联与因果关系的区别，这不仅对流行病学，而且对一般研究都至关重要。随后，您将学习流行病学家用来量化关联的所有主要指标；主要是风险和比率差异以及风险、比率和几率比。在本模块的学习过程中，您将掌握计算和解释频率测量的技能。但仅有这些还不够，您还将学会根据研究问题和可用数据选择最合适的测量方法。
涵盖的内容
5个视频5篇阅读材料2个作业1个讨论话题
已发表的研究通常会报告其调查的关联程度，这在试图确定因果联系时显然非常重要。但有时，我们感兴趣的是一个因素或一种疾病对整个人群的影响。这时，可归因风险和人群可归因风险的概念就派上用场了。这些指标量化了与健康有关的因素对人群的影响，因此对卫生政策特别有用。掌握了这些知识后，您将探索疾病预防的两种主要方法：高风险方法和人群方法。
涵盖的内容
3个视频4篇阅读材料1个作业1个讨论话题
诊断测试一直被用来确定一个人是否生病。然而，这些测试远非完美。量化它们的不完美之处可以让我们了解它们的局限性并解释它们的结果。在本模块中，您将学习计算和解释用于实现这一目标的指标，包括灵敏度、特异性、阳性预测值和阴性预测值。利用这些指标，您将学会从方法论和实践方面评估筛查计划是否有效。
涵盖的内容
6个视频6篇阅读材料3个作业1个插件
获得职业证书
将此证书添加到您的 LinkedIn 个人资料、简历或履历中。在社交媒体和绩效考核中分享。
位教师
授课教师评分
(241个评价)
人们为什么选择 Coursera 来帮助自己实现职业发展
Felipe M.
自 2018开始学习的学生
''能够按照自己的速度和节奏学习课程是一次很棒的经历。只要符合自己的时间表和心情，我就可以学习。'
Jennifer J.
自 2020开始学习的学生
''我直接将从课程中学到的概念和技能应用到一个令人兴奋的新工作项目中。'
Larry W.
自 2021开始学习的学生
''如果我的大学不提供我需要的主题课程，Coursera 便是最好的去处之一。'
Chaitanya A.
''学习不仅仅是在工作中做的更好：它远不止于此。Coursera 让我无限制地学习。'
学生评论
- 5 stars
82.91%
- 4 stars
12.81%
- 3 stars
2.38%
- 2 stars
0.37%
- 1 star
1.50%
显示 3/796 个
AA
已于 Jan 15, 2021审阅
This is a great introduction to both the Coursera Specialization where it belongs. The lectures, quizzes and other contents are engaging and well-made.
AD
已于 Apr 3, 2020审阅
This was a very very informative and I truly enjoyed every bit of it during this 4 weeks. I am saying thank you so much to the organizers of this wonderful course 100% thumbs up!
RP
已于 Jan 1, 2021审阅
Very useful independently but also for better interpreting going further regression models e.g. logistic ones in statistics. Clearly explained and with relevant examples.
从 健康 浏览更多内容
The University of North Carolina at Chapel Hill
Johns Hopkins University
Utrecht University
Imperial College London