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 bei der klinischen Entscheidungsunterstützung und Diagnostik
- Überblick über Gesundheitsdatenmodalitäten: strukturierte Daten, Text, Bilddaten, Sensordaten
- Herausforderungen, die speziell für die Entwicklung von medizinischer KI gelten
Vorbereitung und Management von Gesundheitsdaten
- Arbeiten mit EMRs, Laborergebnissen und HL7/FHIR-Daten
- Vorverarbeitung medizinischer Bilder (DICOM, CT, MRT, Röntgen)
- Umgang mit Zeitreihendaten von Wearables oder Intensivüberwachungsgeräten
Feinabstimmungstechniken für Gesundheitsmodelle
- Transferlernen und domänenspezifische Anpassung
- Aufgabenspezifisches Feintuning von Modellen für Klassifizierung und Regression
- Feinabstimmung bei begrenzten Ressourcen mit unzureichend annotierten Daten
Krankheitsvorhersage und Ergebnisprognose
- Risikobewertung und Frühwarnsysteme
- Prädiktive Analytik zur Vorhersage von Wiederaufnahmen und Therapieansprechen
- Integration multimodaler Modelle
Ethik, Datenschutz und regulatorische Aspekte
- HIPAA, DSGVO und der Umgang mit Patientendaten
- Bias-Minderung und Fairness-Audits bei Modellen
- Nachvollziehbarkeit (Explainability) in klinischen Entscheidungsprozessen
Bewertung und Validierung von Modellen in klinischen Umgebungen
- Leistungskennzahlen (AUC, Sensitivität, Spezifität, F1-Score)
- Validierungstechniken für unausgeglichene und hochriskante Datensätze
- Simulierte versus reale Testpipelines
Bereitstellung und Überwachung in Gesundheitsumgebungen
- Integration von Modellen in die IT-Systeme von Spitäler
- CI/CD in regulierten medizinischen Umgebungen
- Erkennung von Drift nach der Bereitstellung und kontinuierliches Lernen
Zusammenfassung und nächste Schritte
Voraussetzungen
- Kenntnisse in den Prinzipien des Maschinellen Lernens und des überwachten Lernens
- Erfahrung mit Gesundheitsdatensätzen wie EMRs, Bilddaten oder klinischen Notizen
- Kenntnisse in Python und ML-Frameworks (z. B. TensorFlow, PyTorch)
Zielgruppe
- Medizinische KI-Entwickler
- Data Scientists im Gesundheitswesen
- Fachkräfte, die diagnostische oder prädiktive Modelle für das Gesundheitswesen entwickeln