Kurs
Data Science für Ärztinnen und Ärzte
Datenanalyse für die Klinik: lernorientiert, reproduzierbar.
Von der Rohdatei zur belastbaren Auswertung – mit Python, R und SQL, an echten klinischen Fragestellungen, reproduzierbar angelegt.
Drei Wege, den Kurs zu nutzen
| Weg | Wofür | Was du brauchst |
|---|---|---|
| Im Browser lesen & rechnen | der Standard | nichts zum Lesen; Python oder R zum Mitrechnen. Jeder Codeblock lädt die Daten über eine Web-Adresse. |
| In Google Colab | rechnen ohne lokale Installation | ein Google-Konto. Das Start-Notebook klont den Kurs und installiert alles. |
| Lokal (geklont) | volle Reproduzierbarkeit, offline | git clone + Python/R — die Einrichtung erklärt Modul 02 Schritt für Schritt. |
Direkt einsteigen
Zum Lesen musst du nichts installieren. Zum Rechnen brauchst du Python oder R — Modul 02 richtet beides ein. Wähle einen kleinen Einstieg:
- Orientieren: Modul 01 erklärt den Analyseweg. Kein Setup, ~30 Minuten Lesezeit.
- Projekt klären: Der Projektkompass sortiert Frage, Datenquelle, Design und Auswertung.
- Code ausführen: Modul 02 richtet Python oder R und den Editor ein, sobald du Übungen rechnen möchtest. Rechne mit 45–60 Minuten für die Einrichtung. Die Datensätze liest jeder Codeblock über eine Web-Adresse — du musst nichts herunterladen oder erzeugen, und reine R-Nutzung braucht kein Python.
Der vollständige Kurs umfasst 34 Module und rund 43 Stunden. Die Modulübersicht zeigt Dauer und Werkzeugfokus je Modul; über die Lernpfade lässt sich der Kurs auf 5–14 Module verkürzen.
Schon eingerichtet? Springe über die Modulübersicht direkt zu dem Thema, das gerade klemmt.
Was du danach kannst
- eine Kohorte aus CSV, Excel und SQL extrahieren und zusammenführen
- Daten bereinigen, transformieren und fehlende Werte begründet behandeln
- Verteilungen, Zusammenhänge und Gruppenunterschiede prüfen und visualisieren
- eine „Table 1“, Regressionsmodelle (logistisch, Cox) und Überlebenskurven rechnen
- p-Werte, Konfidenzintervalle, Effektgrößen und die passende Testwahl korrekt begründen
- fortgeschrittene Statistik anwenden: Power, fehlende Werte, kausale Inferenz, diagnostische Genauigkeit und Survival-Analyse
- eine Analyse reproduzierbar aufsetzen und als Bericht aus einer Quelle erzeugen
- Prädiktionsmodelle bauen, leckfrei validieren, kalibrieren, erklären (SHAP) und einsetzen
- moderne KI einordnen: Gradient Boosting, Survival-ML, Deep Learning, klinisches NLP/LLMs
Rechtliches und Datenschutz
Dieser Kurs dient ausschließlich Lehr- und Fortbildungszwecken und stellt keine klinische oder statistische Beratung dar. Die Website bindet keine Drittanbieter ein: keine Cookies, kein Tracking, keine externen Skripte oder Schriftarten. Deine Einstellungen und dein Lesefortschritt verbleiben ausschließlich lokal in deinem Browser. Wie bei jedem Webseitenaufruf verarbeitet der ausliefernde Server (GitHub Pages) technisch notwendige Zugriffsdaten einschließlich der IP-Adresse.
Verantwortlich für Inhalt und Konzeption: Dr. Nikolas B. Schrader · nikolasschrader.com · medizin.dev.
Ausführliche Informationen findest du unter Rechtliches und Datenschutz.
Lizenz
Dieses Projekt steht unter zwei Lizenzen:
- Kursinhalte (Markdown-Lektionen, Übungen, Lösungen, Abbildungen, Datensätze) unter Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0). Du darfst sie frei teilen und anpassen, solange du den Urheber nennst, die Inhalte nicht kommerziell nutzt und Modifikationen unter derselben Lizenz weitergibst.
- Quellcode (
website/build.py,website/app.js,website/style.css,lib/*,data/*.py,module/*/code/*,tools/*) unter der permissiven MIT-Lizenz.
Die genaue Aufteilung mit Datei-Zuordnung steht in der Datei LICENSE.