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

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.

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.

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.

—