Risiko-Stratifizierung von Herzinsuffizienz-Patient:innen fuer ein Heidelberger Universitaetsklinikum
Übersicht
Worum es bei diesem Projekt geht.
Trainiere ein Gradient-Boosting-Modell zur Risiko-Stratifizierung und vergleiche es mit einem klinischen Score. Erhalte ein verifizierbares Zertifikat.
Das Szenario
Das Klinikum (rund 12 000 Beschaeftigte, Maximalversorger mit kardiologischem Schwerpunkt) verzeichnet rund 1 800 Herzinsuffizienz-Wiederaufnahmen pro Jahr; eine systematische Identifikation der Hochrisiko-Patient:innen hat klinische und oekonomische Relevanz.
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.
Studienzuordnung folgt in Kürze.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
- Risk Stratification
Apply risk stratification to solve real industry problems and demonstrate production-level capability.
- Clinical Ml
Apply clinical ml to solve real industry problems and demonstrate production-level capability.
- Calibration
Apply calibration to solve real industry problems and demonstrate production-level capability.
- Fairness Evaluation
Apply fairness evaluation to solve real industry problems and demonstrate production-level capability.
- Python
Write clean, efficient Python for data processing, automation, and backend services.
- Xgboost
Apply xgboost to solve real industry problems and demonstrate production-level capability.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Applied 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