Komplexpraktikum "Medizinische Informatik" I: Medizinische Entscheidungsunter­stützungssysteme

Herr Dr.-Ing. Markus Wolfien

Master Informatik:
      INF-MA-PR (Masterpraktikum)

Master Medieninformatik:
      INF-E-4 (Forschung und Entwicklung in der Medieninformatik)

Die Studierenden

• sind in der Lage, die grundsätzlichen Probleme medizinischer Datenverarbeitung zu beschreiben und methodisch an realen Daten zu analysieren (Data Science).

• kennen Grundlagen medizinischer Dokumentationssysteme (SQL Datenbanken).

• können basierend auf gegebenen Daten und Literatur Vorschläge erarbeiten, wie spezielle Patientengruppen oder Umgebungsfaktoren anhand bestimmter Parameter erkannt werden können (Explorative Datenanalyse).

• sind in der Lage, aufbereitete Daten in eine für medizinisches Personal geeignete Darstellung zu übertragen (User-centered Design).

• sind in der Lage, im Rahmen einer interdisziplinären  Zusammenarbeit mit medizinischem Personal KI-Modelle zu erzeugen, die an die Bedürfnisse der Endnutzenden angepasst sind (KI-Modellentwicklung im realen Szenario der Intensivstation am Universitätsklinikum Dresden).

• erkennen die Fallstricke innerhalb der Anwendung von KI-Modellen im medizinischen Kontext (Fehleranalyse).

• sind in der Lage, ihre erzielten wissenschaftlichen Ergebnisse in Form einer "Journal" -Einreichung zu formulieren.

In den ersten Veranstaltungen werden die folgenden medizinischen und technischen Aspekte vermittelt:

• Einführung in Medical Data Science

• Arbeiten mit Big Data (medizinische Daten - MIMIC-IV)

• Machine Learning und Explainable Machine Learning

  • Dokumentation

  • Experimenteller Aufbau

• Arbeiten in interdisziplinären Teams (Planung, Iteration, Evaluation)

In diesem Kurs erhalten Studierende eine umfassende Einführung in das Feld der “Medical Data Science”. Der Kurs konzentriert sich auf die Verarbeitung und Analyse großer medizinischer Datenmengen unter Verwendung der MIMIC-IV-Datenbank, die umfangreiche klinische Informationen enthält. Studierende werden in die Grundlagen des Machine Learning und Explainable Machine Learning eingeführt, um medizinische Datensätze zu analysieren und relevante Erkenntnisse, speziell im Bereich der Intensivmedizin, zu gewinnen.

Themen (detailliert):

1. Arbeiten mit Big Data (medizinische Daten - MIMIC-IV): Studierende lernen, wie sie große medizinische Datensätze effizient verwalten, abrufen und vorverarbeiten können, um sie für Analysezwecke vorzubereiten.

2. Machine Learning und Explainable Machine Learning: Im Kurs werden Methoden des maschinellen Lernens insbesondere auf medizinische Daten angewendet. Besonderes Augenmerk wird auf erklärbares maschinelles Lernen (sog. XAI) gelegt, um die Interpretierbarkeit der Modelle und Ergebnisse durch die Nutzenden sicherzustellen.

3. Dokumentation: Studierende lernen bewährte Verfahren zur Dokumentation von Datenverarbeitungsschritten, explorativer Datenanalyse, sowie Modellentwicklung und Ergebnissen, um eine transparente Forschungspraxis zu gewährleisten.

4. Experimenteller Aufbau: Der Kurs behandelt die Planung und Umsetzung von Experimenten im Bereich der Medical Data Science, einschließlich der Auswahl geeigneter Metriken und statistischer Tests.

5. Arbeiten in interdisziplinären Teams (Planung, Iteration, Evaluation): Studierende erfahren, wie sie effektiv in interdisziplinären Teams arbeiten können, um komplexe medizinische Herausforderungen anzugehen. Dies umfasst die initiale Planung von Projekten, iterative Entwicklung und die Evaluation von Ergebnissen mit Ärzten der Intensivstation des Uniklinikums Dresden.

Bewertung:
Die Leistung der Studierenden wird durch eine Kombination aus Programmierfertigkeiten, schriftlichen Bericht in Form einer wissenschaftlichen Abhandlung und finalen Ergebnispräsentationen bewertet. Die praktische Anwendung des Gelernten auf reale medizinische Datenprobleme steht dabei im Mittelpunkt der Bewertung.

Zusammenfassung:
Dieser Kurs bietet eine solide Grundlage für Studierende, die ein Interesse an der Analyse von medizinischen Daten haben und gleichzeitig die Fähigkeiten entwickeln möchten, um komplexe medizinische Herausforderungen interdisziplinär zu bewältigen und Ergebnisse verständlich zu erklären.