Medizinische Informatik 4 (MI4)

Verstehe, wie aus medizinischen Daten Wissen entsteht: Du lernst, wie Statistik, Datenanalyse und einfache Methoden des maschinellen Lernens eingesetzt werden, um medizinische Fragestellungen auszuwerten. Dabei arbeitest du mit gängiger Software und Tools, um Daten zu analysieren und Ergebnisse zu interpretieren. Die Verfahren wendest du auf reale medizinische Beispiele an und lernst, sie auf neue Fragestellungen zu übertragen.

Inhalte

• Einführung in Methoden der medizinischen Datenanalyse und Biometrie
• Anwendung statistischer Verfahren
• Anwendung und Programmierung einschlägiger Software-Pakete und Tools
• Beispiele aus verschiedenen medizinischen Anwendungsbereichen
• Grundkonzepte des Maschinellen Lernens

Lernziele/Kompetenzen

Die Studierenden sind in der Lage,

• grundlegende mathematische Methoden und Techniken, die in der medizinischen Datenanalyse, Biometrie, Epidemiologie und für Medical Data Science benötigt werden, zu verstehen und zu erläutern,
• einschlägige Software-Pakete und Tools anzuwenden,
• erlernte Verfahren auf neue Anwendungsbereiche zu übertragen.

Literatur

• C. Weiß: Basiswissen Medizinische Statistik. Springer, 2019
• J. VanderPlas: Data Science mit Python: das Handbuch für den Einsatz von IPython, Jupyter, NumPy, Pandas, Matplotlib und Scikit-Learn, MITP Verlag, 2018
• J. Hedderich, L. Sachs: Angewandte Statistik, Springer, 17. Auflage, 2020
• J. Bortz, G. Lienert: Kurzgefasste Statistik für die klinische Forschung. Springer, 2008
• R.D. Hilgers, P. Bauer, V. Schreiber: Einführung in die Medizinische Statistik, Springer, 2007
• Handbücher der eingesetzten Programmiersprachen und Software-Pakete
• Folien zur Vorlesung und weitere Unterlagen auf der Lernplattform

Dozentinnen / Dozenten

• Prof. Dr. Markus Gumbel
• Prof. Dr. Ivo Wolf

Empfohlene Vorkenntnisse

• Mathematik für die Informatik 1 (MA1)
• Mathematik für die Informatik 2 (MA2)
• Medizinische Informatik 2 (MI2)
• Mathematik für die Informatik 3 (MA3) sollte parallel belegt werden oder bereits gehört worden sein.

Daten zum Modul

Semester	3
Unterrichtssprache	Deutsch
Häufigkeit	Wintersemester
Kreditpunkte	5
Modulverantwortlich	Prof. Dr. Ivo Wolf
Dauer	1 Semester
Studienleistung	Keine
Prüfungsvorleistung	Pflichtübung (PU)
Prüfungsleistung	Klausur 90 Minuten (K90)

Semesterwochenstunden

Vorlesung	2 SWS
Labor	2 SWS
Summe	4 SWS

Arbeitsaufwand (work load)

Vorlesung	30 h
Labor	30 h
Selbststudium	30 h
Aufgaben	30 h
Prüfungsvorbereitung	30 h
Summe	150 h