Künstliche Intelligenz im Gesundheitssystem

Empfohlene Vorkenntnisse

Modul Einführung in die Informatik und Programmierung

Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Die Studierenden

  • erwerben grundlegende Kenntnisse zu Künstlicher Intelligenz (KI) und maschinellem Lernen (ML),
  • kennen die heutigen KI-Anwendungen im Gesundheitswesen und können diese bewerten,
  • erwerben Kenntnisse über die Datenaufbereitung und Algorithmen in der KI, und verstehen, wie diese angewendet werden,
  • kennen die Zukunftsperspektiven und Trends in KI im Gesundheitswesen,
  • kennen Herausforderungen und Risiken von KI im Gesundheitswesen,
  • können Lösungen mit KI für Anwendungen im Gesundheitssystem vorschlagen.
Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 60h
Selbststudium / Gruppenarbeit: 120h
Workload 180h
ECTS 6.0
Voraussetzungen für die Vergabe von LP

Modulprüfung K60
Labor (unbenotet) gilt als Vorleistung für die Klausur.

Empf. Semester 6
Haeufigkeit jedes Jahr (SS)
Verwendbarkeit

Digital Health (Bachelor)

Veranstaltungen

Künstliche Intelligenz im Gesundheitssystem

Art Vorlesung/Labor
Nr. EM6226
SWS 4.0
Lerninhalt

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.
Literatur
  • 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.