Modul 39-Inf-BDS Biomedical Data Science for Modern Healthcare Technology

Fakultät

Modulverantwortliche*r

Turnus (Beginn)

Jedes Wintersemester

Leistungspunkte und Dauer

10 Leistungspunkte

Die Angaben zur Moduldauer finden Sie bei den Studiengängen, in denen das Modul verwendet wird.

Kompetenzen

Die Vorlesung legt den Schwerpunkt auf Techniken der Datenwissenschaften (Data Science), die in der Biomedizin und dem Gesundheitswesen von aktueller Relevanz sind. Beispiele sind das effiziente Verwalten großer Mengen von privaten Patientendaten, die Einbindung von individuellen genetischen Daten in die klinische Entscheidungsfindung, oder die klinisch zielführende Auswertung von Wearables. Im Seminar soll das Verstehen, Interpretieren und Bewerten von Originalliteratur zu solchen Themen geübt werden: was sind die im Sinne der Data Science kritischen Problemfelder, wie können die Probleme gelöst werden, und welche Fragen können an dieser Stelle noch nicht umfassend beantwortet werden. Mit der Präsentation sollen Präsentationstechniken geübt werden: was sind gute Grundstrukturen von Präsentationen, wie erreicht man sein Publikum, und was soll ein Zuhörer dauerhaft behalten. Mit dem Anfertigen einer schriftlichen Ausarbeitung soll dann geübt werden, wie man Texte verfasst, die in punkto Informationsgehalt wissenschaftlichen Anforderungen und ethischen Standards genügen. Dabei spielt die exakte Reproduzierbarkeit des Kommunizierten eine wichtige Rolle.

The lecture puts the emphasis on data science techniques that are of actual relevance in biomedicine and health care. Important examples are the efficient administration of great amounts of patient data and their safe sharing, the involvement of of individual genetic patient records in clinical decision support processes, or the clinically effective evaluation of wearables. The seminar focuses on understanding, interpreting and evaluating scientific literature relating to topics treated in the lecture: the identification of issues that are critical in terms of data science, understanding how solutions can be developed, and understanding the (likely tricky) solutions themselves; last, gauging the range of open questions that remain. In the presentation, we will train presentation techniques (e.g. ‘why-what-how’), how to reach the audience, and how to deliver take-home messages that the audience can keep in mind. Writing a scientific report is meant to practice how to draft text that complies with scientific and ethical standards. A relevant aspect in that is reproducibility.

Lehrinhalte

Inhaltliche Elemente der Vorlesung und des Seminars beziehen sich auf Themen, die der Data Science zuzurechnen sind, wie z.B. ‘Deep Learning’, ‘Graph-Datenbanken’ oder ‘Blockchain’ und die in der modernen Biomedizin und im Gesundheitswesen wichtige, wenn nicht sogar entscheidende Rollen spielen.
Weitere Beispiele sind der Einsatz künstlicher Intelligenz und hierbei insbesondere des (Deep) Machine Learnings zur zielführenden klinischen Entscheidungsfindung, die bereits erwähnten Blockchain-Techniken zur sicheren Verteilung kritischer privater Patientendaten (mit anderen Worten Bitcoin-Techniken, die in der Medizin eine Rolle spielen), Genomics, Internet of Things, Robotik, Graph-Datenbanken, Ambient Computing und Visualisierung. Aus aktuellem Anlass wird auch Methodik behandelt, die sich mit der Analyse und Kontrolle von Epidemien befasst.

Contents of the lecture and the seminar touch upon topics that are rooted in data science (such as ‘deep learning’, ‘blockchain’ or graph databases) that play an ever more crucial, if not decisive role in modern biomedicine and healthcare.
Further examples are artificial intelligence, and here in particular (deep) machine learning for targeted clinical decision support, the aforementioned blockchain techniques (which, in other words, reflect bitcoin techniques applied for safe and efficient sharing of ethically critical patient data), genomics, internet of things, robotics, graph databases, ambient computing and visualization. For actual reasons, epidemiological methodology for analysis and control of epidemics can play an important role as well.

Empfohlene Vorkenntnisse

Erforderlich sind grundlegende Kenntnisse in Algorithmen und Datenstrukturen und der Künstlichen Intelligenz. Weiterhin sind Kenntnisse des Machine Learning, der Analyse großer Datenmengen, des Sequenzierens, und grundlegende Kenntnisse der Statistik hilfreich.

English version Basic knowledge of algorithms, data structures and artificial intelligence are required. Moreover, depending on the particular topics covered, basic knowledge of machine learning, big data analysis, DNA/RNA sequencing and fundamental statistics are useful.

Notwendige Voraussetzungen

Erläuterung zu den Modulelementen

Die Prüfung kann in einigen Studiengängen auch unbenotet erbracht werden. Eine Festlegung ist vorzunehmen, die nachträgliche Änderung ist ausgeschlossen. Falls 'unbenotet', kann das Modul nicht in der Gesamtnotenberechnung berücksichtigt werden.

Modulstruktur: 1 SL, 0-1 bPr, 0-1 uPr 1

Veranstaltungen

Ausgewählte Vorlesung
Art Vorlesung
Turnus WiSe&SoSe
Workload5 60h (30 + 30)
Ausgewähltes Seminar oder Projekt
Art Projekt o. Seminar
Turnus WiSe&SoSe
Workload5 120h (30 + 90)
LP 4 [SL]
Übung zur ausgewählten Vorlesung
Art Übung
Turnus WiSe&SoSe
Workload5 60h (30 + 30)
LP 2

Studienleistungen

Veranstaltung Workload LP2
Ausgewähltes Seminar oder Projekt (Projekt o. Seminar)

Vortrag (20-45min) oder praktische Arbeit und Hausarbeit (8-15 Seiten)

siehe oben siehe oben

Prüfungen

Ausgewählte Vorlesung (Vorlesung)
Art Portfolio mit Abschlussprüfung
Gewichtung unbenotet
Workload 60h
LP2 2

Portfolio mit Abschlussprüfung
(Beschreibung siehe unten)

Ausgewählte Vorlesung (Vorlesung)
Art Portfolio mit Abschlussprüfung
Gewichtung 1
Workload 60h
LP2 2

Portfolio mit Abschlussprüfung

Portfolio aus Übungsaufgaben, die veranstaltungsbegleitend und in der Regel wöchentlich gestellt werden, und Abschlussklausur (90 min) oder mündlicher Abschlussprüfung (15-25 min). Die Übungsaufgaben ergänzen und vertiefen den Inhalt der Vorlesung. Mitarbeit in den Übungsgruppen (Zweimaliges Vorrechnen von Übungsaufgaben nach Aufforderung). Die Veranstalterin/der Veranstalter kann einen Teil der Übungsaufgaben durch Präsenzübungen ersetzen. Nachweis einer ausreichenden Zahl korrekt gelöster Übungsaufgaben (in der Regel 50% der im Semester für das Lösen der Aufgaben erzielbaren Punkte). Die Abschlussprüfung bezieht sich auf den Inhalt der Vorlesung und der Übung und dient der Bewertung. Ob das Modul mit einer Klausur oder einer mündlichen Prüfung abgeschlossen wir, wird vom Lehrenden zu Beginn der Veranstaltung bekannt gegeben.

Portfolio of homework assignments accompanying the lecture, usually given weekly, and final written exam (90 min) or oral exam (15-25 min). The assignments complement and deepen the content of the lecture. Participation in the tutorials (explaning solutions of assignments twice upon request). The lecturer may replace parts oft he homework assignments by attendance
assignments. Proof of a sufficient amount of correctly solved assignments (usually 50% of the maximum total score in the semester). The final exam covers the content of the lecture and the assignments, and serves for grading. The lecturer announces at the beginning oft he lecture whether the module is concluded by a written or an oral exam.

Weitere Hinweise

Das Modul kann in folgenden Wahlpflichtbereichen anerkannt werden:
- WP im Fach Bioinformatik und Genomforschung (Bachelor)
- WP in Bioinformatik und Genomforschung (Master)
- StruktErg im KF Informatik (Bachelor)
- WP im KF Informatik, Profil Bioinformatik
- WP im NF Informatik Profil Praktische Informatik
- WP in Naturwissenschaftliche Informatik (Master)

In diesen Studiengängen wird das Modul verwendet:

Studiengang Variante Profil Empf. Beginn 3 Dauer Bindung 4
Bioinformatik und Genomforschung / Bachelor of Science [FsB vom 30.09.2016 mit Änderungen vom 15.09.2017, 02.05.2018, 01.07.2019 und 16.08.2021] 1-Fach (fw) 5. o. 6. ein oder zwei Semes­ter Wahl­pflicht
Bioinformatik und Genomforschung / Master of Science [FsB vom 30.09.2016 mit Änderungen vom 15.09.2017, 02.05.2018 und 04.06.2020] 1. o. 2. ein oder zwei Semes­ter Wahl­pflicht
Individueller Ergänzungsbereich – Allgemeine Angebote / Individueller Ergänzungsbereich im Bachelor [] Technische Fakultät ein oder zwei Semes­ter Wahl­pflicht
Informatik / Bachelor of Science [FsB vom 04.06.2020 mit Änderung vom 15.12.2021] Kernfach (fw) Bioinformatik 5. o. 6. ein oder zwei Semes­ter Wahl­pflicht
Informatik / Bachelor of Science [FsB vom 04.06.2020 mit Änderung vom 15.12.2021] Kernfach (fw) Strukturierte Ergänzung des Profils Bioinformatik KF (fw) 5. o. 6. ein oder zwei Semes­ter Wahl­pflicht
Informatik / Bachelor [FsB vom 04.06.2020 mit Änderung vom 15.12.2021] Nebenfach (fw) Praktische Informatik 5. o. 6. ein oder zwei Semes­ter Wahl­pflicht
Naturwissenschaftliche Informatik / Master of Science [FsB vom 30.09.2016 mit Berichtigung vom 10.01.2017 und Änderungen vom 15.09.2017, 02.05.2018 und 04.06.2020] 1. o. 2. ein oder zwei Semes­ter Wahl­pflicht
Technische Fakultät - Angebote für den Individuellen Ergänzungsbereich / Individueller Ergänzungsbereich im Bachelor [] ein oder zwei Semes­ter Wahl­pflicht

Automatische Vollständigkeitsprüfung

In diesem Modul kann eine automatische Vollständigkeitsprüfung vom System durchgeführt werden.


Legende

1
Die Modulstruktur beschreibt die zur Erbringung des Moduls notwendigen Prüfungen und Studienleistungen.
2
LP ist die Abkürzung für Leistungspunkte.
3
Die Zahlen in dieser Spalte sind die Fachsemester, in denen der Beginn des Moduls empfohlen wird. Je nach individueller Studienplanung sind gänzlich andere Studienverläufe möglich und sinnvoll.
4
Erläuterungen zur Bindung: "Pflicht" bedeutet: Dieses Modul muss im Laufe des Studiums verpflichtend absolviert werden; "Wahlpflicht" bedeutet: Dieses Modul gehört einer Anzahl von Modulen an, aus denen unter bestimmten Bedingungen ausgewählt werden kann. Genaueres regeln die "Fächerspezifischen Bestimmungen" (siehe Navigation).
5
Workload (Kontaktzeit + Selbststudium)
SL
Studienleistung
Pr
Prüfung
bPr
Anzahl benotete Modul(teil)prüfungen
uPr
Anzahl unbenotete Modul(teil)prüfungen
Diese Leistung kann gemeldet und verbucht werden.