Skip to content

Maschinelles Lernen für Mobile Health

Eine Einführung in die künstliche Intelligenz und die Konzepte von mobile Health

Julius-Maximilians-Universität Würzburg (JMU) |
Institut für Klinische Epidemiologie & Biometrie | Abteilung Medizininformatik

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

Modulsprache: Deutsch oder Englisch in Abhängigkeit der Teilnehmenden

Aufwand: 0h Präsenz / 35h Virtuell / 145h Selbststudium = 180h Gesamt1 (6 ETCS)

Zielgruppe: Das Modul richtet sich an Medizinstudierende, aber auch an Ärzt*innen, Medizinwissenschaftler*innen sowie Informatikstudierende. Vorkenntnisse sind nicht erforderlich. 

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: Vorlesung und Übung im Wechsel mit bewertetem Final Project in Gruppenarbeit  

Mobile Health (mHealth) und maschinelles Lernen sind Themen, die in den letzten Jahren aufgrund der Verfügbarkeit mobiler Daten, Sensoren und der höheren Rechenleistung lokaler Maschinen sehr populär geworden sind. Die weit verbreitete Einführung von Smartphones schafft ein enormes Potenzial zur Verbesserung der Gesundheitsdienste.

Mittlerweile sind mehr als 17.000 mHealth- Apps für Smartphones und andere Geräte verfügbar. Sie reichen von der Überwachung des Urinflusses bei Patienten mit vergrößerter Prostata bis hin zur Erinnerung, aufgrund von Nierensteinen mehr Wasser zu trinken. mHealth hat ein enormes Potenzial, die Gesundheitsversorgung entscheidend zu verändern und künstliche Intelligenz ist ein Schlüsselelement dafür.

Überblick über den Inhalt

  • Mobile Health Basics und Ecological Momentary Assessments
  • Gesundheits-Apps und die MARS-Bewertung
  • Künstliche Intelligenz in der Medizin
  • Grenzen, Chancen und Verzerrungen in der künstlichen Intelligenz
  • Einführung in Neuronale Netze
  • Entscheidungsbäume, Zufallsforste und Gradient Boosting Machines
  • Maschinelles Lernen und Datenwissenschaft mit Python

 

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

BMBF
MII