Risiko-Stratifizierung von Herzinsuffizienz-Patient:innen fuer ein Heidelberger Universitaetsklinikum
Übersicht
Worum es bei diesem Projekt geht.
Du erhaeltst rund 14 000 anonymisierte Patient:innen mit Baseline-Merkmalen (Alter, Geschlecht, NYHA-Klasse [New York Heart Association Funktionsklasse 1-4], Ejektionsfraktion, Komorbiditaeten, Medikamenten-Liste) plus die Zielspalte 'Wiederaufnahme innerhalb 12 Monate'. Trainiere ein Gradient-Boosting-Modell und vergleiche gegen einen klinischen Standard-Score (Get With The Guidelines-Heart Failure Score) auf einer zeitlichen Validierung. Berichte ROC-AUC, Brier-Score (Kalibrierung), und Sensitivitaet/Spezifitaet pro Subgruppe (Geschlecht, Altersband, Komorbiditaeten-Anzahl). Liefere Notebook + Modell-Karte fuer das klinische Team + 4-seitiges Memo.
Das Briefing
Was Du tust und was Du zeigst.
Liefere ein kalibriertes, fair stratifiziertes 12-Monats-Risiko-Modell fuer Herzinsuffizienz-Patient:innen, das den klinischen Standard-Score klar schlaegt.
Earning criteria — what you'll demonstrate
- Klinische Risiko-Modelle gegen etablierte klinische Scores fair vergleichen
- Wahrscheinlichkeits-Kalibrierung als Pflichtfeld in klinischen ML-Anwendungen einsetzen
- Subgruppen-Fairness als Hygiene-Standard, nicht als Add-on bewerten
- Modelle so dokumentieren, dass Aerzt:innen sie verstehen und kritisch nutzen koennen
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 RollenApplied AI Scientist
Klinische ML-Anwendungen mit Kalibrierung, Subgruppen-Fairness und Modell-Karten zu liefern ist genau die taegliche Arbeit von Applied-AI-Scientists in akademischen Medizinzentren.
Dieses Projekt schärft
- risk-stratification
- clinical-ml
- calibration
Data Scientist
Senior-Data-Scientists im Healthcare-Bereich muessen Modelle gegen klinische Standard-Scores fair vergleichen und Fairness als Pflicht behandeln.
Dieses Projekt schärft
- calibration
- fairness-evaluation
- xgboost
ML Researcher
Methodisch saubere zeitliche Validierung und Subgruppen-Analyse sind Senior-Forschungsdisziplinen in klinischen ML-Laboren.
Dieses Projekt schärft
- risk-stratification
- fairness-evaluation
- clinical-ml
Noch eine Sache