Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Dauer 14 Stunden (2 Tage)
Schulungsübersicht
Einführung in KI im Gesundheitswesen
- Anwendungen von KI in der klinischen Entscheidungsunterstützung und Diagnostik
- Überblick über Gesundheitsdatenmodalitäten: strukturierte Daten, Text, Bildgebungsverfahren, Sensordaten
- Herausforderungen, die spezifisch für die Entwicklung medizinischer KI sind
Vorbereitung und Verwaltung von Gesundheitsdaten
- Umgang mit Elektronischen Krankenakten (EMR), Laborergebnissen und HL7/FHIR-Daten
- Vorverarbeitung medizinischer Bilder (DICOM, CT, MRT, Röntgen)
- Verarbeitung von Zeitreihendaten von Wearables oder ICU-Monitoren
Feinabstimmungstechniken für Gesundheitsmodelle
- Transferlernen und domänenspezifische Adaption
- Aufgabenspezifische Modelloptimierung für Klassifikation und Regression
- Feinabstimmung mit geringen Ressourcen bei begrenzten annotierten Daten
Krankheitsvorhersage und Ergebnisprognose
- Risikobewertung und Frühwarnsysteme
- Prädiktive Analytik für Wiederaufnahmen und Therapieverlauf
- Integration multimodaler Modelle
Ethik, Datenschutz und regulatorische Überlegungen
- HIPAA, DSGVO und der Umgang mit Patientendaten
- Minderung von Verzerrung (Bias) und Fairness-Audits in Modellen
- Nachvollziehbarkeit bei klinischen Entscheidungen
Modellbewertung und Validierung in klinischen Umgebungen
- Leistungskennzahlen (AUC, Sensitivität, Spezifität, F1)
- Validierungstechniken für unausgeglichene und risikoreiche Datensätze
- Simulierte vs. reale Test-Pipelines
Bereitstellung und Überwachung in Gesundheitsumgebungen
- Integration von Modellen in Krankenhaus-IT-Systeme
- CI/CD in regulierten medizinischen Umgebungen
- Erkennung von Drifts nach der Bereitstellung und kontinuierliches Lernen
Zusammenfassung und nächste Schritte
Voraussetzungen
- Verständnis der Prinzipien des maschinellen Lernens und des überwachtem Lernens
- Erfahrung mit Gesundheitsdatensätzen wie Elektronische Krankenakten, bildgebenden Daten oder klinischen Notizen
- Kenntnisse in Python und ML-Frameworks (z. B. TensorFlow, PyTorch)
Zielgruppe
- Entwickler von medizinischer KI
- Datenwissenschaftler im Gesundheitswesen
- Fachkräfte, die diagnostische oder prädiktive Modelle für das Gesundheitswesen entwickeln