Klinische Datenwissenschaften (KDW)
1/2. Semester
5 ECTS | 4 SWS
Mündliche Prüfung (M)
Analysiere klinische Daten mit Machine Learning: Du lernst, große Mengen elektronischer Patientendaten mit statistischen und Machine-Learning-Methoden auszuwerten, setzt dabei R ein und interpretierst die Ergebnisse zur Gewinnung neuer medizinischer Erkenntnisse.
Inhalte
- Der zunehmende Umfang elektronisch vorliegender klinischer Daten erweitert die Möglichkeiten, diese auch zur automatisierten Analyse bisher unentdeckter medizinischer Zusammenhänge und zur Erzeugung neuen medizinischen Wissens zu verwenden. Derartige Datenauswertungen hängen oft nicht von einzelnen Fragestellungen oder Hypothesen ab, insofern unterscheiden sich die angewendeten Methoden auch von entsprechend etablierten statistischen Verfahren. Die wissenschaftliche Nutzung von Patientendaten aus dem Behandlungsalltag bringt allerdings auch neue Herausforderungen mit sich, wie beispielsweise eine gezielte Berücksichtigung unterschiedlicher Datenstrukturen und vielfältiger klinischer Formulare. Diese Veranstaltung thematisiert die Anwendung automatisierter Auswertungsmethoden auf Patientendaten. Nach einem vergleichenden Überblick über das übliche Vorgehen zur Generierung medizinischen Wissens (biometrische Grundlagen u. Studientypen) werden Grundprinzipien und Gemeinsamkeiten unterschiedlicher Verfahren zur automatisierten Datenanalyse behandelt; anschließend werden einzelne Methoden und Anwendungsbeispiele vertieft, und Ansätze zur statistischen Bewertung erläutert. Innerhalb der Veranstaltung wird eine praktische Einführung in die Programmiersprache R vermittelt (http://www.r-project.org/). Die Teilnehmer sollen sich dabei in praktischen Übungen auch selbständig in einzelne Analyseverfahren einarbeiten, um diese dann auf klinische Beispieldatensätze praktisch anzuwenden und die so erzeugten Beobachtungen kritisch zu interpretieren.
Lernziele/Kompetenzen
Die Studierenden sind in der Lage,
- Grundprinzipien und Einteilung von Machine-Learning-Verfahren zu erläutern.
- Einteilung und Merkmale diverser relevanter klinischer Daten zu verstehen.
- Charakteristika der Programmiersprache R zu verstehen und diese anzuwenden.
- R-Skripte zur Anwendung von Machine-Learning-Verfahren auf Patientendaten zu implementieren.
- Resultate automatisierter Analysen vielfältiger klinischer Daten zu überprüfen.
Literatur
- Han, Kamber, Pei: Data Mining - Concepts and Techniques (3rd ed.)
- An Introduction to R (http://cran.r-project.org/doc/manuals/R-intro.pdf)
- Kourou et al.: Machine learning applications in cancer prognosis and prediction (2015)
- Bellazzi and Zupan: Predictive data mining in clinical medicine: current issues and guidelines (2008)
Dozentinnen / Dozenten
Empfohlene Vorkenntnisse
Daten zum Modul
| Semester |
1/2 |
| Unterrichtssprache |
Deutsch |
|
Häufigkeit
|
Unregelmäßig
|
| Kreditpunkte (CP)
|
5 |
| Modulverantwortlich |
Prof. Dr. Stefan Kraus |
| Dauer |
1 Semester |
| Schwerpunkt(e) |
Medical Data Science (MDS)
|
|
Studienleistung
|
Keine |
|
Prüfungsvorleistung
|
Pflichtübung (PU) |
|
Prüfungsleistung
|
Mündliche Prüfung (M) |
Semesterwochenstunden (SWS)
| Vorlesung |
3 SWS |
| Übung |
1 SWS |
| Summe |
4 SWS |
Arbeitsaufwand (Workload)
| Vorlesung |
60 h |
| Selbststudium |
30 h |
| Aufgaben |
40 h |
| Prüfungsvorbereitung |
20 h |
| Summe |
150 h |
