M.HCIN.B.23.WS24 Predictive Analytics in Health Care (Big Data) ILV - 1

M.HCIN.B.23.WS24 Predictive Analytics in Health Care (Big Data) ILV - 1

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. Interoperability - TME (Übung)

• In dieser praktischen Übung wird die Interoperabilität innerhalb des Austrian Digital Heart Program (ADHP) Systems am Beispiel von TME (Telemedizin Enabler) behandelt. Der Fokus liegt auf der Integration und dem Datenaustausch zwischen verschiedenen Gesundheitssystemen.

6. Interoperability - ELGA (Übung)

• Diese Übung vermittelt die Funktionsweise von ELGA, Österreichs elektronischem Gesundheitsaktensystem. Studierende lernen, wie Interoperabilität in einem realen Gesundheitssystem funktioniert.

7. Studiendesign

• In diesem Modul wird untersucht, wie man ein Studiendesign im Kontext der ADHP erstellt, um optimale Ergebnisse bei der Anwendung von Predictive Analytics im Gesundheitswesen zu erzielen.

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. ADHP Datenerfassung-Setup

• Dieses Modul beschäftigt sich mit der technischen Einrichtung und Konfiguration der Datenerfassung in der ADHP, um hochwertige Daten für Vorhersagemodelle zu generieren.

10. Time Series Analysis

• Analyse von Zeitreihen im Gesundheitswesen: Hierbei geht es um die Untersuchung von zeitbasierten Daten wie Vitalparametern, um Trends zu identifizieren und Vorhersagen zu treffen.

11. Interoperability - TME (Übung)

• Eine Wiederholung der TME-Übung, um die Interoperabilitätskonzepte zu festigen und praktische Erfahrung zu sammeln.

12. Interoperability - ELGA (Übung)

• Wiederholung der ELGA-Übung, um das Verständnis für Interoperabilität im österreichischen Gesundheitswesen weiter zu vertiefen.

13. From Data to Decision

• Dieses Modul erklärt, wie aus Gesundheitsdaten Entscheidungen abgeleitet werden können. Es wird gezeigt, wie analytische Modelle eingesetzt werden, um fundierte klinische und administrative Entscheidungen zu treffen.

14. Data Analytics

• Eine detaillierte Einführung in die Methoden der Datenanalyse, die im Gesundheitswesen verwendet werden. Der Fokus liegt auf den Techniken zur Vorhersage von Patientenverläufen und Optimierung von Behandlungsprozessen.

15. Regulations

• 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.

16. 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 sichergestellt wird.

17. Q&A

• Eine interaktive Sitzung, in der die Studierenden offene Fragen zu den bisherigen Modulen stellen können.

18. 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.

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.