Data Science · Klinik Klinische Datenanalyse & Machine Learning
Ansicht
Lerntiefe
Codeansicht
Farbschema

Teil 1 – Grundlagen und Setup

01 · Einführung und Lernpfad

Dauer~30 min
Voraussetzungkeine
Lernziele
  • Den Datenanalyse-Zyklus kennen und jede Phase benennen können.
  • Den Aufbau dieses Kurses und die Lernpfade überblicken.
  • Eine erste Mini-Demo ausführen: Datensatz laden, Form und Mortalitätsrate ausgeben.
Auf dieser Seite

Klinischer Aufhänger

500 Patient:innen einer Intensivstation, eine Tabelle mit Aufnahmeparametern und die Frage deiner Chefärztin: „Wer ist in den ersten 30 Tagen verstorben, und lässt sich das vorhersagen?"

Im Tabellenprogramm stößt du schnell an Grenzen: kein Schritt ist nachvollziehbar, das Ergebnis kippt mit der Sortierung, und ein Jahr später fängst du wieder bei null an. Data Science macht jeden Schritt explizit, reproduzierbar und prüfbar.

Zwei Wege durch den Kurs — wähle einen

(A) Im Browser lernen — der Standard. Installiere nur Python oder R. Jeden Codeblock kopierst du direkt in deine Konsole; die Daten liest er über eine Web-Adresse (https://…/data/kohorte.csv) — du musst nichts herunterladen, klonen oder erzeugen. Welche Pakete du brauchst, sagt dir das nächste Modul.

(B) Mit dem Repository arbeiten — optional, für volle Reproduzierbarkeit. Klonst du das Projekt, stehen data/, die Hilfsfunktionen in lib/ und die fertigen code/-Skripte lokal bereit. Nur dann gelten Abkürzungen wie pip install -r requirements.txt, source("tools/install_r_packages.R") oder python data/generate_data.py.

Merke: Codeblöcke mit einer https://…-Adresse laufen auf beiden Wegen. Nichts in diesem Kurs verlangt, dass du das Repository klonst — es ist ein Komfort, keine Voraussetzung.

1 Warum Data Science in der Medizin?

Medizinische Daten wachsen schneller, als wir sie auswerten können, elektronische Akten, Labor, Bildgebung, Genomik, Wearables. Zugleich steigen die Ansprüche an Evidenz und Reproduzierbarkeit, in der Forschung wie im klinischen Alltag.

Data Science verbindet drei Disziplinen:

Abbildung: Data Science als Schnittmenge dreier Disziplinen – Domänenwissen (Medizin), Statistik (Methode) und Programmierung (Werkzeuge & Code).
Abb. 1 · Data Science als Schnittmenge dreier Disziplinen – Domänenwissen (Medizin), Statistik (Methode) und Programmierung (Werkzeuge & Code).
Fallstrick

Data Science ersetzt das klinische Urteil nicht, es informiert es. Ein Modell mit 95 % Genauigkeit ist wertlos, wenn seine Entscheidungen klinisch unsinnig sind. Domänenwissen bleibt in jeder Phase unverzichtbar.

Für FortgeschritteneVertiefung

Reproduzierbarkeit ist kein Luxus, sondern das Minimum. Ein Ergebnis, das nach dem Sortieren verschwindet, ist keines. Fester Seed (42) und versionierter Code sind Pflicht, nicht Kür.

2 Der Datenanalyse-Zyklus

Jede Datenanalyse, ob klinische Studie, Qualitätsprojekt oder Publikation, folgt demselben Kreislauf:

Abbildung: Der Datenanalyse-Zyklus in sechs Schritten – von der Frage über Datenbeschaffung, Bereinigung, Exploration und Analyse bis zur Kommunikation, dann zurück zur Frage.
Abb. 2 · Der Datenanalyse-Zyklus in sechs Schritten – von der Frage über Datenbeschaffung, Bereinigung, Exploration und Analyse bis zur Kommunikation, dann zurück zur Frage.

Schritt 3 kostet in der Praxis am meisten Zeit, deshalb widmet ihm dieser Kurs ein eigenes Modul.

3 Kursüberblick und Lernpfade

Teil Module Frage
Teil 1 – Grundlagen und Setup 01–03 Wie richte ich eine reproduzierbare Umgebung ein?
Teil 2 – Datenimport, Datenbereinigung und Datenmanagement 04–07 Wie komme ich von Rohdaten zu einer sauberen Tabelle?
Teil 3 – Explorative Datenanalyse und deskriptive Statistik 08–09 Wie verstehe und beschreibe ich meine Daten?
Teil 4 – Statistische Inferenz und medizinische Statistik 10–22 Wie ziehe ich belastbare Schlüsse, plane Studien und schreibe Berichte?
Teil 5 – Machine Learning und KI in der Medizin 23–34 Wie baue, validiere und erkläre ich klinische Modelle?

Empfohlene Lernpfade:

  • Mein erstes Paper (statistischer Shortcut) · 7 Module: 02–03 → 06 → 09–10 → 12 → 22
  • Schnell zur Auswertung · 6 Module: 02–03 → 06 → 08–10
  • Datenextraktion im Fokus · 5 Module: 02 → 04–07
  • Klinische Forschung / Publikation · 15 Module: 06 → 09–22
  • Statistik-Vertiefung · 13 Module: 09–21
  • Machine Learning / KI · 12 Module: 23–34
  • Vollständig · 34 Module: 01–34 in didaktischer Reihenfolge

4 Wie du mit dem Material arbeitest

Jedes Modul folgt demselben Bogen:

  1. Klinischer Aufhänger, eine ärztliche Frage motiviert das Konzept.
  2. Konzept vor Code, erst das Prinzip, dann das lauffähige Beispiel.
  3. Python und R nebeneinander, beide Sprachen zeigen dasselbe Ergebnis.
  4. Übungen (uebungen.md) zum Selbst-Ausprobieren.
  5. Lösungen (loesungen.md), erst nach eigenem Versuch.

Alle Module nutzen denselben Datensatz: eine synthetische Intensivkohorte mit 500 fiktiven Patient:innen (kohorte.csv, vitalwerte.csv, labor.csv, notizen.csv), reproduzierbar per Seed 42, und ohne Datenschutzproblem. Details: data/README.md.

4b Kohortenüberblick

Abbildung: Kohortenüberblick, 500 fiktive Intensivpatient:innen. Verstorbene (rot) sind im Median deutlich älter als Überlebende (blau). Die häufigsten Aufnahmegründe sind Pneumonie und Herzinsuffizienz; Sepsis ist rot hervorgehoben als Aufnahmegrund mit dem höchsten Mortalitätsrisiko.
Abb. 3 · Kohortenüberblick, 500 fiktive Intensivpatient:innen. Verstorbene (rot) sind im Median deutlich älter als Überlebende (blau). Die häufigsten Aufnahmegründe sind Pneumonie und Herzinsuffizienz; Sepsis ist rot hervorgehoben als Aufnahmegrund mit dem höchsten Mortalitätsrisiko. · Code ansehen

5 In Python – erste Mini-Demo

Dieses erste Beispiel lädt die Kohorte direkt über eine Web-Adresse, du kannst es unverändert in eine .py-Datei speichern oder Zeile für Zeile in eine Python-Konsole einfügen, beides funktioniert ohne lokalen Projekt-Klon.

Python
import pandas as pd

cohort = pd.read_csv("https://schradern.github.io/data-science-coach/data/kohorte.csv")

print("Dataset:", cohort.shape)
print(f"30-day mortality: {cohort['verstorben_30d'].mean():.1%}")

🗣 Code-Verbalisierung:

  • import pandas as pd: Lädt das Paket pandas (die zentrale Tabellen-Bibliothek für Python) und gibt ihm die Kurzbezeichnung pd.
  • cohort = pd.read_csv(...): Liest die Tabelle kohorte.csv direkt von der angegebenen Web-Adresse ein und speichert sie unter dem Namen cohort.
  • print("Dataset:", cohort.shape): Gibt die Größe der Tabelle aus, Anzahl Zeilen und Anzahl Spalten.
  • print(f"30-day mortality: ..."): Berechnet den Mittelwert der Spalte verstorben_30d (Anteil verstorbener Patient:innen) und gibt ihn als Prozentzahl aus.

Ausgabe (synthetische Daten):

Code
Dataset: (500, 16)
30-day mortality: 15.6%
Fallstrick

Kein Internetzugang oder ein Klinik-Netzwerk, das externe Verbindungen sperrt? Dann lokal arbeiten: python data/generate_data.py einmalig aus der Projektwurzel ausführen und anschließend pd.read_csv("data/kohorte.csv") verwenden. Die vollständigen Skripte in code/python.py/code/r.R machen genau das automatisch (lokal zuerst, Web-Adresse als Rückfallebene).

Für FortgeschritteneVertiefung

cohort.shape zeigt (Zeilen, Spalten). cohort.info() ergänzt Datentypen und fehlende Werte je Spalte, der erste sinnvolle Griff nach jedem Laden.

6 In R – dieselbe Demo

R
library(readr)
cohort <- read_csv("https://schradern.github.io/data-science-coach/data/kohorte.csv", show_col_types = FALSE)

cat("Dataset:", nrow(cohort), "x", ncol(cohort), "\n")
cat("30-day mortality:", round(mean(cohort$verstorben_30d), 3), "\n")

🗣 Code-Verbalisierung:

  • library(readr): Lädt das Paket readr, das die Funktion zum Einlesen von CSV-Dateien bereitstellt.
  • cohort <- read_csv(...): Liest die Tabelle kohorte.csv direkt von der Web-Adresse ein und speichert sie unter dem Namen cohort (show_col_types = FALSE unterdrückt nur die Ausgabe der erkannten Spaltentypen).
  • cat("Dataset:", nrow(cohort), "x", ncol(cohort), "\n"): Gibt die Anzahl Zeilen (nrow) und Spalten (ncol) der Tabelle aus.
  • cat("30-day mortality:", ...): Berechnet den Mittelwert der Spalte verstorben_30d und rundet ihn auf drei Nachkommastellen.
Merksatz

Egal ob als Skript (Rscript datei.R) oder Zeile für Zeile in der R-Konsole (Strg/Cmd+Enter) ausgeführt, read_csv() mit einer Web-Adresse funktioniert überall identisch, ganz ohne Pfad-Ermittlung.

Fallstricke und Merksätze

  • Data Science ersetzt nicht das klinische Urteil, es informiert es. Modelle zeigen Muster, Ärztinnen und Ärzte interpretieren sie.

  • Reproduzierbarkeit ist kein Luxus. Ein Ergebnis, das sich nach dem Sortieren ändert, ist kein Ergebnis. Fester Seed (hier: 42) und versionierter Code sind Pflicht, nicht Kür.

  • 80 % Datenaufbereitung, 20 % Analyse, das klingt frustrierend, ist aber normal. Saubere Daten sind der erste Analyseschritt.

  • Alle Beispieldaten in diesem Kurs sind vollständig fiktiv. Für echte Patientendaten gelten DSGVO, Ethikvotum und ärztliche Schweigepflicht.

Selbstcheck

Domänenwissen (Medizin), Statistik (Methode) und Werkzeuge/Code.
Rohdaten aus klinischen Systemen sind selten sauber: Encoding-Probleme, fehlende Werte, inkonsistente Formate müssen vor jeder Analyse behoben werden.
Zufallsoperationen (z. B. Stichproben, Modellinitialisierung) liefern bei jedem Lauf dasselbe Ergebnis, Voraussetzung für Reproduzierbarkeit.