Programm Biomedical Data Science
Big Medical Data und Machine Learning

Im medizinischen Bereich gibt es einen großen Datenschatz (Register, Untersuchungsgeräte, Gesundheits-Apps, etc.), der darauf wartet, gehoben zu werden – aber natürlich unter Beachtung methodischer Grundsätze und „good statistical practice“!  

Im Big-Data-Kontext (- aber nicht nur dort! -) werden häufig Methoden aus den Bereichen Machine Learning oder Artificial Intelligence verwendet. Moderne Algorithmen erzeugen bei "Machine learning/AI" ein statistisches Modell, das auf Trainingsdaten beruht und dann sorgfältig getestet wird. Idealerweise werden dabei Muster und Gesetzmäßigkeiten in den Daten erkannt. Diese Algorithmen können bei der Analyse von demographischen und klinischen Routinedaten, aber auch z.B. bei automatisierten Diagnoseverfahren für Bilddaten (z.B. "image classification/image regression") angewendet werden oder Strukturen in solchen Daten erkennen (z.B. "medical image segmentation"). Wir verwenden unterschiedliche moderne Verfahren aus den Bereichen „deep learning“ bzw. allgemeiner „machine learning“ (z.B. support vector machines, random forest models, Bayes classifiers, classification trees, uvm).  Zudem können wir eine Expertise in der Entwicklung multivariabler Prädiktionsmodelle für die Bildung von Modellen, sowie der Entwicklung von Methoden zur Konstruktion und Evaluierung klinischer Scores und der Analyse von klinischen Routinedaten vorweisen.

Dazu einige typische Beispiele aus der Praxis:

• Urologie: Prostatafrüherkennung.
• Dermatologie: neuronale Netze zur Prognose des Auftretens eines Melanoms.
• Vorhersage von epileptischen Anfällen oder algorithmen-gestützte automatisierte Epilepsie-Diagnostik
• Identifikation einer “focal onset zone” eines epileptischen Anfalls
• Vorhersage Arneimittelbezogener Komplikationen
• Und viele mehr…

Die technischen Möglichkeiten sind enorm – uns geht es dabei jedoch wesentlich um eine methodisch fundierte und auf die klinischen Bedürfnisse Rücksicht nehmende Herangehensweise!