Kursinformation

Die Lehrveranstaltung bietet einen umfassenden Überblick über die Nutzung von Big Data und Predictive Analytics im Gesundheitswesen. Es werden zentrale Themen wie Interoperabilität, Datenschutz, Künstliche Intelligenz und die technische Implementierung von Datenanalysen behandelt. Dabei wird besonderer Wert auf die praxisnahe Anwendung und die Herausforderungen im Gesundheitswesen gelegt. Die Inhalte gliedern sich in folgende Module:

1. Intro 1

• Einführung von Schreier in das Thema Predictive Analytics und die wachsende Bedeutung von Big Data im Gesundheitswesen.

2. From Idea to Innovation

• Dieses Modul befasst sich mit dem Weg von einer Idee zur Innovation. Es zeigt, wie man durch den Einsatz von Datenanalysen im Gesundheitswesen innovative Lösungen entwickeln kann.

3. Intro 2

• Ein grundlegendes Verständnis von Predictive Analytics im Gesundheitsbereich, eingeführt von Baumgartner. Dabei werden die Möglichkeiten und Herausforderungen der Datenanalyse in der Medizin thematisiert.

4. "Big Data" and Medicine

• Dieser Abschnitt erklärt, wie Big Data in der Medizin eingesetzt wird, um Trends zu erkennen, Behandlungsansätze zu personalisieren und die Patientenversorgung zu verbessern.

5. Data Analytics: Basics & Data types

• In diesem Kapitel werden grundlegende Themen bezüglich Daten und oberflächliche Inhalte der Informationstheorie erläutert. Dies dient vor allem dazu, dass im weiteren LV-Verlauf Begrifflichkeiten geklärt und verständlich sind. 

6. From Data to Decisions

• In dieser Einheit wird erläutert, wie im Daten im Gesundheitswesen entlang der Data Value Chain genutzt werden können und damit sog. "Actionable Insights" zu generieren.

7. Clinical Studies & Privacy

• Predictive Analytics erfordert häufig Daten, die in klinischen Studien erhoben werden. In diesem Modul wird untersucht, wie man ein Studiendesign, um optimale Ergebnisse bei der Anwendung von Predictive Analytics im Gesundheitswesen zu erzielen. Besonderer Fokus liegt hier auf dem Thema "Privacy".

8. LLMs / Prompt Engineering

• Hier wird die Rolle von Large Language Models (LLMs) und Prompt Engineering in der ADHP beleuchtet. Studierende lernen, wie diese Technologien zur Optimierung von Vorhersagemodellen und zur Auswertung von Gesundheitsdaten eingesetzt werden.

9. Interoperability (inkl. Übung)

• Datenanalyse, Machine Learning und Dateninfrastrukturprojekte scheitert häufig an mangelnder Interoperabilität. In dieser Einheit wird dieses praxis-relevante Thema behandelt und in einer Übung aktiv bearbeitet.

10. Neural Networks I: Basics (inkl. Übung)

• Modernes Machine Learning basiert zumeist auf Neuronalen Netzen. Hier werden die fundamentalen Grundlagen von diesen erläutert und eine Übung mit den Studierenden durchgeführt.

11. Interoperability & EHR

• Aufbauend auf Einheit 9 werden hier Verschränkungen von Technologien und Datentypen erläutert. Die Österreich-spezifische Datenlandschaft rund um die ELGA und deren Potenzial für Data Analytics werden hier behandelt.

12. Neural Networks II: Methods & Skills

• Tiefergehende Methoden rund um Neuronale Netzwerke werden hier behandelt (z.B. Label engineering, Regularization, advanced Loss functions, etc.). Hier ist auch Zeit für Fragen zur Übung aus dem Modul "Neural Networks I".

13. Regulations

• Wenn mit medizinischen Daten gearbeitet wird, sind einige strikte regulative Aspekte zu beachten. Diese Einheit bietet einen Überblick über die regulatorischen Anforderungen, die bei der Nutzung von Big Data im Gesundheitswesen beachtet werden müssen. Dies umfasst Datenschutzbestimmungen (wie die DSGVO) sowie die Vorschriften für medizinische Software und Datenanalyse.

14. Privacy-Preserving AI

• Dieses Modul beschäftigt sich mit der Frage, wie künstliche Intelligenz und maschinelles Lernen genutzt werden können, um wertvolle Einblicke zu gewinnen, während gleichzeitig der Schutz der Patientendaten und die Integrität der Privatspähre sichergestellt wird.

15. Q&A und geleitete Übungszeit

• Eine interaktive Sitzung, in der die Studierenden offene Fragen zu den bisherigen Modulen stellen können. Hier können die Studierenden in einer Art Tutorium auch die Übungen mit den Kursleitern gemeinsam bearbeiten. 
• Falls keine Fragen offen sind und alle Übungen bereits abgeschlossen sind, können folgende weitere Inhalte Thema dieser Einheit sein: Model Evaluierungen, typische Fehler bei Machine Learning, "wie interpretiere ich wissenschaftliche Studien, die über Machine Learning berichten", usw.

16. Student Presentations

• Studierende präsentieren ihre Projekte, in denen sie die im Kurs erlernten Konzepte anwenden. Diese Präsentationen dienen dazu, das Verständnis der Teilnehmer zu vertiefen und das erlernte Wissen in praktischen Beispielen anzuwenden.

17. Exam

• Eine schriftliche Abschlussprüfung (Moodle).

Die Vorlesung kombiniert Theorie mit praktischen Übungen und gibt den Studierenden ein umfassendes Verständnis dafür, wie Predictive Analytics und Big Data im Gesundheitswesen eingesetzt werden können. Der Fokus liegt dabei sowohl auf der technischen Umsetzung als auch auf den regulatorischen und ethischen Herausforderungen.