Fairness-Audit eines ICU-Sepsis-Warnsystems fuer einen Muenchner Klinikverbund
Übersicht
Worum es bei diesem Projekt geht.
Du erhaeltst rund 18 000 ICU-Aufenthalte mit ML-Sepsis-Score (zeitlich aufgeloest), tatsaechlichen Sepsis-Diagnosen, Demographie und Klinik-Subzentrum. Berechne Gruppen-Metriken: True-Positive-Rate, False-Positive-Rate und mittlere Vorwarnzeit (in Stunden) pro Subgruppe. Vergleiche die Vorwarnzeit zwischen Gruppen statistisch (Mann-Whitney-U-Test mit Bonferroni-Korrektur). Liefere ein 8-seitiges Audit mit Befunden, Empfehlungen und einer Diskussion klinischer Korrektur-Optionen.
Das Briefing
Was Du tust und was Du zeigst.
Pruefe statistisch sauber, ob das Sepsis-Warnsystem Subgruppen ungleich gut warnt, und liefere klinisch tragfaehige Korrektur-Optionen.
Earning criteria — what you'll demonstrate
- Klinische Fairness ueber Genauigkeit hinaus (Vorwarnzeit, Schwellwert) bewerten
- Statistische Tests fuer Subgruppen-Unterschiede mit korrekter Mehrfachvergleichs-Korrektur einsetzen
- Audits methodisch sauber durchfuehren und schriftlich verteidigen
- Korrektur-Optionen klinisch und ethisch gegeneinander abwaegen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenAI Safety Researcher
Klinische Fairness-Audits mit statistisch sauberen Methoden zu liefern ist genau die Kernkompetenz von AI-Safety-Forscher:innen in der Medizin.
Dieses Projekt schärft
- fairness-evaluation
- auditing
- ml-ethics
Applied AI Scientist
Statistische Tiefe mit klinischer Interpretierbarkeit zu verbinden ist die taegliche Senior-applied-AI-Arbeit in Krankenhausverbuenden.
Dieses Projekt schärft
- clinical-ml
- statistical-testing
- fairness-evaluation
ML Researcher
Audits methodisch sauber zu konzipieren und Korrektur-Optionen zu verteidigen ist Forschungs-Arbeit auf Senior-Niveau in klinischen ML-Laboren.
Dieses Projekt schärft
- auditing
- fairness-evaluation
- clinical-ml
Noch eine Sache