Skip to content

Assistierende Gesundheitstechnologien & Daten

Zuverlässige Datenanalyse für qualitativ minderwertige Aufnahmen verschiedener Sensoren

Carl-Friedrich-Gauß-Fakultät der TU Braunschweig (TU-BS)

Dieses Modul ist Teil des Zertifikats „Sichere Entwicklung von medizinischen Informationssystemen”

Modulsprache: Englisch

Aufwand: 0h Präsenz / 42h Virtuell / 108h Selbststudium = 150h Gesamt1 (6 ECTS)

Zielgruppe: Die Zielgruppe sind Masterstudierende der Informatik, Medizininformatik und verwandter Studiengänge. In diesem Modul lernen die Studierenden, Herausforderungen und Schwierigkeiten in der biomedizinischen Signalverarbeitung von HET-Daten und deren Integration in die Krankenakte zu verstehen und zu lösen. Die Studierenden kennen und verstehen auch die Grundlagen der semantischen Interoperabilität. Darüber hinaus können die Studierenden mit R und Python Signalverarbeitungsmethoden sowohl in Theorie als auch in der Praxis aktiv anwenden und analysieren. 

Die Studierenden lernen, mit linearem und nichtlinearem Rauschen umzugehen und die Eignung von Verfahren zur Verarbeitung oder Vorverarbeitung von HET-Daten zu bewerten sowie Vorschläge für geeignete Verfahren zu erarbeiten. Das Modul soll in den Masterstudiengang Informatik, Wirtschaftsinformatik und vergleichbare Masterstudiengänge im Wahlbereich Medizinische Informatik eingebettet werden.

Pretty young student studying at home sitting at her dining table with a large binder of notes checking something on the screen of her laptop computer
top view of Medicine doctor hand working with modern computer and smart phone on wooden desk as medical concept-1
Focused classmates studying together and using laptop in library

Beratung & Anmeldung:
Wenn Sie Fragen haben, zögern Sie bitte nicht, uns zu kontaktieren: info@highmed-lehre.de

Format: Lehrvideos, Consulting Hour und E-tivities

Der Einsatz von Health Enabling Technologies (HET) zu Hause, im Fahrzeug oder am menschlichen Körper erzeugt Signale mit schlechter Signalqualität, Shifting Offsets und Aufzeichnungslücken. Die Datenqualität ist im Vergleich zu klinischen Daten geringer, zudem wird eine große Datenmenge kontinuierlich aufgezeichnet und erfordert eine Echtzeitanalyse, um unerwünschte Ereignisse vorherzusagen oder zu alarmieren.

HET stellt daher neue Herausforderungen an die Signalverarbeitung und Datenanalyse, wie z.B. die zuverlässige Erfassung und semantische Integration dieser Daten in die elektronischen Gesundheitsakten der Proband*innen. Darüber hinaus erfordert die automatische Analyse von Messungen robuste Algorithmen, wie z. B. Deep Learning.

Kompetenzniveau & Kompetenzart |
Kompetenzbeschreibung

1. Stufe: Kennen & Verstehen/Fachkompetenz

Lernende kennen und verstehen:

  • die Bedeutung, die Einsatzgebiete und den grundsätzlichen Aufbau von AGT-Systemen
  • bedeutende Beispiele für AGT-Systeme und deren technische Herausforderungen, um eine zuverlässige Erhebung, einen sicheren Transfer sowie das automatische Analysieren und Verstehen von Messdaten zu gewährleisten.
  • die Sensorik für AGT-Systeme und deren grundlegenden Eigenschaften.
  • die Architektur und die Schnittstellen von Datenintegrationszentren.
  • die unterschiedlichen Vokabularien für semantische Interoperabilität.
  • die Grundlagen der Signalverarbeitung.
  • die Methoden zur Signalbeschreibung und Signalverbesserung.
  • die Methodik zur Visualisierung von AGT-Signalen.
  • die Methoden zur modellbasierten Signalanalyse.
  • die Methoden zur datenbasierten Signalanalyse.

2. Stufe: Anwenden & Analysieren / Methodenkompetenz

Lernende können in der Theorie sowie in der Praxis mit einer Open Source Software Methoden der Signal- und Bildverarbeitung aktiv anwenden und analysieren:

  • zur Reduktion von linearen und nichtlinearen Rauschen
  • zur Signalverbesserung
  • zur robusten Datenanalyse
  • zur Bestimmung einer zuverlässigen Ground Truth
  • zum Real-Time Monitoring, zur Ereignisvorhersage und zur Notfallerkennung

3. Stufe: Evaluieren & Erschaffen

Lernende können:

  • mit linearen sowie nichtlinearen Rauschen umgehen und für vorgegebene AGT-Signale die Eignung von Methoden zur Aufbereitung bzw. Vorverarbeitung bewerten sowie Vorschläge für geeignete Methoden ausarbeiten.
  • Methoden der Visualisierung für die darzustellenden AGT-Signale bewerten.
  • die Eignung der Methoden der modell- und datenbasierten Signalanalyse für bestimmte Aufgabenstellungen zur Verarbeitung von AGT-Signalen bewerten.
  • Datenintegrationskonzepte bewerten.

 

1: Bei der Aufteilung handelt es sich um eine grobe Orientierung. Die tatsächlichen Zeiten können Abweichen.

BMBF
MII