Übersicht
Modulübersicht
33 Module in fünf Teilen – von Grundlagen über klinische Datenextraktion und klassische Auswertung bis zu KI.
–
WeiterlernenBei Modul 01 starten
Lernpfad filtern & Referenz
Fokus
ReferenzProjektkompass
Teil 1
Grundlagen und Setup
01
Einführung und Lernpfad
Warum Datenanalyse, der Analyse-Zyklus, wie du mit dem Kurs arbeitest.
02
Entwicklungsumgebung und Werkzeuge
Python, R, VS Code, Git: eine reproduzierbare, isolierte Umgebung.
03
Programmiergrundlagen in Python und R
Variablen, Funktionen, Kontrollfluss, DataFrames: Code lesen und schreiben.
Teil 2
Datenimport, Datenbereinigung und Datenmanagement
04
Datenimport aus Dateien und APIs
CSV, Excel, JSON, APIs, FHIR: beliebige Quellen zuverlässig einlesen.
05
Datenbank-Abfragen mit SQL
SELECT, JOIN, GROUP BY: Daten gezielt aus Datenbanken ziehen.
06
Datenbereinigung und Datentransformation
Tidy Data, fehlende Werte, die fünf Kern-Verben, Joins, long/wide.
07
Patientendaten-Extraktion via FHIR und OMOP
Datenextraktion aus APIs: Patient/Observation FHIR-Ressourcen parsen und OMOP-Konzept.
Teil 3
Explorative Datenanalyse und deskriptive Statistik
08
Explorative Datenanalyse und Datenvisualisierung
Verteilungen, Ausreißer, Zusammenhänge; Grammatik der Grafik.
09
Deskriptive Statistik und die Table 1
Lage- und Streumaße, Häufigkeiten, die „Table 1“ jeder Publikation.
Teil 4
Statistische Inferenz und medizinische Statistik
10
Inferenzstatistik und Hypothesentests
p-Wert und Konfidenzintervall richtig lesen; t-Test, χ², Mann-Whitney.
11
Bayesianische Inferenz
Prior, Likelihood, Posterior; Kredibilitätsintervall und ROPE als Bayes-Antwort auf den p-Wert.
12
Regressionsmodelle: Lineare, logistische und Cox-Regression
Lineare, logistische und Cox-Regression; OR/HR, Konfounder, Diagnostik.
13
Studiendesign und Fallzahlplanung
Analyseplan, Fallzahl, Power, Präzision und Ereignisse pro Parameter.
14
Fehlende Werte und Imputation
Missingness erkennen, Complete Case, Imputation und Sensitivitätsanalyse.
15
Kausale Inferenz und Directed Acyclic Graphs
DAGs, Confounding, Propensity Scores und robuste Effektinterpretation.
16
Diagnostische Genauigkeit und Schwellenwerte
Sensitivität, Spezifität, PPV/NPV, Likelihood Ratios, ROC und Cut-offs.
17
Klassische Überlebenszeitanalyse
Kaplan-Meier, Log-rank, Cox-Annahmen, absolute Risiken und Zensierung.
18
Mixed-Effects-Modelle für Longitudinaldaten
Längsschnittdaten analysieren: Random Intercept/Slope, Mixed-Effects Models und GEE.
19
Propensity Score Matching und Weighting
Selektionsbias reduzieren: Propensity Score Matching, Weighting (IPW) und SMD-Balance.
20
Konkurrierende Risiken und zeitabhängige Cox-Modelle
Konkurrierende Risiken (Fine-Gray) und Cox-Regression mit zeitabhängigen Kovariaten.
21
Auswahl der passenden statistischen Methode
Welche statistische Methode passt zu Frage, Outcome, Design und Annahmen?
22
Reproduzierbare Berichte mit Quarto
Quarto, Projektstruktur, Seeds, Versionierung, Datenschutz.
Teil 5
Machine Learning und KI in der Medizin
23
Einführung in das maschinelle Lernen
Prädiktion vs. Erklärung, Validierung, Kalibrierung, Bias, Grenzen.
24
Workflow für Prädiktionsmodelle und Data Leakage
Split, Kreuzvalidierung, Data Leakage, Pipelines, Tuning, Schwellen.
25
Bewertung der Modellgüte und klinische Validierung
Diskrimination, Kalibrierung, Decision Curves, TRIPOD, externe Validierung.
26
Baum-Ensembles und Gradient Boosting
Entscheidungsbäume, Random Forest, XGBoost/LightGBM, Regularisierung.
27
Erklärbarkeit von Machine-Learning-Modellen
Permutation Importance, PDP/ICE, SHAP: global und lokal erklären.
28
Maschinelles Lernen für Überlebenszeiten
Random Survival Forests, zeitabhängige AUC, konkurrierende Risiken.
29
Unüberwachtes Lernen und Phänotypisierung von Patient:innen
k-Means, hierarchisch, PCA, UMAP, Patienten-Phänotypisierung.
30
Neuronale Netze und Deep Learning
Neuronale Netze für Tabellen (MLP), CNN-Konzept für Bildgebung.
31
Verarbeitung klinischer Freitexte mit LLMs
NLP, Embeddings, Klassifikation von Notizen, verantwortungsvolle LLM-Nutzung.
32
Modelleinsatz, Monitoring und Governance
Modell speichern/überwachen, Drift, Model Cards, MDR und EU AI Act, Fairness.
33
Retrieval-Augmented Generation und Leitlinien-Q&A
Lokale Leitlinien-Q&A: PDFs parsen, ChromaDB/FAISS Vektordatenbanken und LLM-RAG.
34
Studiendesign zur Validierung klinischer KI-Systeme
Translationale Studien planen: Silent Deployment, Spectrum Bias und klinische KI-Validierung.