Klinische Datenwissenschaften (ClinicalDataScience)5 ECTS
(englische Bezeichnung: Clinical Data Science)
(Prüfungsordnungsmodul: Klinische Datenwissenschaften)

Lehrveranstaltungen:

• • Klinische Datenwissenschaften
    (Vorlesung mit Übung, 4 SWS, Dennis Toddenroth, Do, 14:15 - 15:45, 0.055; Besprechungsraum (0.055) des Lehrstuhls für Medizinische Informatik (Wetterkreuz 15, 91058 Erlangen-Tennenlohe, Erdgeschoss))

Empfohlene Voraussetzungen:

MSc-Studium in Informatik, Einführung in die Medizinische Informatik.

Es wird empfohlen, folgende Module zu absolvieren, bevor dieses Modul belegt wird:

Einführung in die Medizinische Informatik für Informatik-Nebenfachstudierende (WS 2021/2022)

Inhalt:

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 und Kompetenzen:

Studierende, die das Modul erfolgreich abgeschlossen haben:

• erläutern Grundprinzipien und Einteilung von Machine-Learning-Verfahren.
  

• verstehen Einteilung und Merkmale diverser relevanter klinischer Daten.
  

• verstehen Charakteristika der Programmiersprache R und wenden diese an.
  

• implementieren R-Skripte zur Anwendung von Machine-Learning-Verfahren auf Patientendaten.
  

• überprüfen Resultate automatisierter Analysen vielfältiger klinischer Daten.
  

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)
  

Organisatorisches:

Übungstermine (90 Minuten pro Woche) werden in der ersten Vorlesung besprochen und vereinbart.

Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan:

1. Artificial Intelligence (Master of Science)
   (Po-Vers. 2021s | TechFak | Artificial Intelligence (Master of Science) | Gesamtkonto | Nebenfach | Nebenfach Medizinische Informatik | Schwerpunkt Informationssysteme im Gesundheitswesen | Klinische Datenwissenschaften)

Studien-/Prüfungsleistungen:

Klinische Datenwissenschaften (Prüfungsnummer: 29911)

Prüfungsleistung, Klausur, Dauer (in Minuten): 90, benotet, 5 ECTS

Anteil an der Berechnung der Modulnote: 100.0 %

Prüfungssprache: Deutsch

Erstablegung: SS 2022, 1. Wdh.: WS 2022/2023 (nur für Wiederholer)

1. Prüfer:

Dennis Toddenroth