Grundlagen:

• Definitionen und Grundlagen von Künstlicher Intelligenz (KI) und maschinellem Lernen (ML).
• Überblick über KI-Anwendungen im Gesundheitswesen und derenPotenziale.
• Ethische und Datenschutzaspekte bei der Nutzung von KI in der Medizin.
• KI-Grundlagen und Anwendungsmöglichkeiten im Gesundheitswesen
• Grundlagen der Datenanalyse, Mustererkennung und Vorhersagemodelle.
• KI-Anwendungen wie Bilderkennung in Radiologie, Diagnoseunterstützung, Personalisierung der Medizin etc.
• Fallstudien und Erfolgsgeschichten von KI-Anwendungen imGesundheitswesen.

Datenaufbereitung in der KI:

• Datenaufbereitung und -qualität für KI im Gesundheitswesen.
• Datensammlung, -bereinigung und -integration im medizinischen Kontext.
• Datenschutz und Anonymisierung von Patientendaten.
• Herausforderungen und Best Practices bei der Verwendung vonmedizinischen Daten für KI.

Algorithmen in der KI:

• Machine Learning-Algorithmen im Gesundheitswesen
• Supervised, unsupervised und reinforcement learning.
• Auswahl und Anpassung von ML-Algorithmen für medizinischeDaten.
• Bewertung von ML-Modellen und Überwindung von Bias.
• Deep Learning in der medizinischen Bildverarbeitung.
• Grundlagen von Deep Learning und Convolutional Neural Networks und deren Anwendungen in der Radiologie und Bilderkennung.
• Automatisierte Diagnose und Analyse medizinischer Bilder.

KI-gestützte Diagnose und Prognose:

• KI-Anwendungen zur Unterstützung von Ärzten bei der Diagnose.
• Prognostische Modelle für Krankheitsverlauf und -risiken.
• Herausforderungen bei der Implementierung von KI-Diagnosetools.

KI in der personalisierten Medizin:

• Nutzung von KI zur Analyse von Genomdaten und individuellen Gesundheitsprofilen.
• Anpassung von Behandlungsplänen und Medikation basierend aufKI-Ergebnissen.
• Chancen und Grenzen der personalisierten Medizin durch KI.

KI in der Arzneimittelforschung und -entwicklung:

• Anwendung von KI in der Entdeckung neuer Wirkstoffe und Medikamente.
• In-silico-Tests und Simulationen von Medikamentenwirkungen.
• Beschleunigung des Medikamentenentwicklungsprozesses durch KI.

Herausforderungen, Risiken und Ethik von KI im Gesundheitswesen

• Erkennen und Umgang mit Bias in KI-Modellen.
• Sicherstellung der Erklärbarkeit und Transparenz von KI Entscheidungen.
• Langzeitfolgen und ethische Überlegungen im Zusammenhang mit KI-Anwendungen.

Zukunftsperspektiven und Trends in KI im Gesundheitswesen:

• Ausblick auf zukünftige Entwicklungen und Fortschritte in KI imGesundheitswesen.
• Potenziale für innovative Anwendungen und Verbesserung der Patientenversorgung.
• Die Rolle von KI in der weiteren Transformation des Gesundheitswesens.

• Mario A. Pfannstiel: Künstliche Intelligenz im Gesundheitswesen:Entwicklungen, Beispiele und Perspektiven (2022). Wiesbaden, Springer Gabler
• Kreutzer, R.T., 2023. Künstliche Intelligenz verstehen: Grundlagen - UseCases - unternehmenseigene KI-Journey 2. Aufl., Wiesbaden, Springer Gabler.
• Christoph Molnar. Interpretable machine learning: A guide for makingBlack Box Models interpretable. Lulu, Morisville, North Carolina, 2019.