Schulungsübersicht
Einführung in KI-Anwendungen im Gesundheitswesen
- Anwendungsbereiche der KI bei klinischen Entscheidungshilfen und Diagnosen
- Überblick über verschiedene Arten von Gesundheitsdaten: strukturiert, textbasiert, bildgebend sowie sensorische Daten
- Besondere Herausforderungen bei der Entwicklung medizinischer KI-Systeme
Vorbereitung und Verwaltung medizinischer Daten
- Umgang mit elektronischen Patientenakten, Laborbefunden sowie HL7/FHIR-Daten
- Vorverarbeitung medizinischer Bilddaten (DICOM, CT, MRT, Röntgen)
- Verarbeitung von zeitbasierten Daten aus Wearables oder Überwachungsgeräten auf Intensivstationen
Techniken zur Feinabstimmung medizinischer Modelle
- Transferlernen sowie domänenspezifische Anpassungen von Modellen
- Modellanpassungen auf konkrete Aufgaben wie Klassifikation oder Regressionsanalysen
- Feinabstimmung auch bei geringer Menge an annotierten Trainingsdaten
Vorhersage von Erkrankungen und Prognose der Patientenergebnisse
- Risikobewertung sowie Entwicklung frühzeitiger Warnsysteme
- Prädiktive Analysen hinsichtlich erneuter Aufnahmen in das Krankenhaus oder Ansprechbarkeit auf Therapien
- Integration von Modellen, die mehrere Datenquellen kombinieren
Ethik, Datenschutz und regulatorische Aspekte
- Einhaltung von gesetzlichen Regelungen wie HIPAA, DSGVO sowie sachgemäße Handhabung personenbezogener Gesundheitsdaten
- Minimierung von Verzerrungen in den Modellen und Durchführung von Fairness-Tests
- Nachvollziehbarkeit der Entscheidungsfindung im medizinischen Kontext
Bewertung und Validierung von Modellen in klinischen Umgebungen
- Gängige Leistungskennzahlen (AUC, Sensitivität, Spezifität, F1-Score)
- Validierungsverfahren insbesondere bei ungleichmäßig verteilten oder besonders riskanten Datensätzen
- Unterschiede zwischen simulierten und realen Testverfahren im klinischen Umfeld
Bereitstellung und kontinuierliche Überwachung von Modellen in der Medizin
- Integration von Modellen in vorhandene IT-Systeme im Krankenhausumfeld
- Einsatz von CI/CD-Verfahren unter Einhaltung strenger regulatorischer Vorgaben
- Erkennung von Veränderungen in der Modellleistung nach dem Deployment sowie kontinuierliches Weitertrainieren
Zusammenfassung und weitere Schritte
Voraussetzungen
- Grundverständnis der Prinzipien des maschinellen Lernens sowie des überwachten Lernens
- Erfahrung mit medizinischen Datensätzen wie elektronischen Patientenakten, Bilddaten oder klinischen Aufzeichnungen
- Kenntnisse in Python sowie gängigen Machine-Learning-Frameworks (z. B. TensorFlow, PyTorch)
Zielgruppe
- Entwickler im Bereich Medizinische KI
- Datenwissenschaftler in der Gesundheitsbranche
- Fachkräfte, die diagnostische oder prädiktive Modelle für den medizinischen Einsatz entwickeln
Erfahrungsberichte (2)
Fertigkeiten und Projekte in Claude, eine Vielzahl von Werkzeugen für unterschiedliche Zwecke
Agnieszka Czypionka
Kurs - Generative AI in Healthcare: Transforming Medicine and Patient Care
Maschinelle Übersetzung
Umfassende Informationen zum Hintergrund; wie man eine Prompt-Anfrage formuliert.
Olaf Kannt - Helios Klinikum Krefeld
Kurs - Generative AI and Prompt Engineering in Healthcare
Maschinelle Übersetzung