Modulplan Data Science in der Medizin

Medizin 1 vermittelt grundlegende medizinische Kenntnisse, die für die fachliche Einordnung und Nutzung medizinischer Daten notwendig sind. Behandelt werden Zytologie und Genetik sowie Anatomie, Physiologie, Diagnostik, Prävention und Therapie des Herz-Kreislauf-Systems, der Atmungsorgane und des Bewegungsapparates. Ergänzend werden Grundlagen medizinischer Entscheidungsfindung und evidenzbasierter Medizin vermittelt. Ziel ist es, medizinische Zusammenhänge zu verstehen und Informationen aus klinischen Kontexten fachlich einordnen zu können.

Programmieren 1 vermittelt grundlegende Konzepte und Denkweisen der Softwareentwicklung. Die Studierenden lernen Variablen, Datentypen, Kontrollstrukturen, Felder und grundlegende Algorithmen kennen und setzen diese praktisch um. Ein weiterer Schwerpunkt liegt auf der objektorientierten Programmierung mit Klassen, Objekten, Vererbung, Schnittstellen und Polymorphie. Ziel ist es, einfache Programme strukturiert zu entwerfen, zu implementieren und zu testen sowie algorithmische Lösungswege systematisch zu entwickeln.

Das Einführende Projekt erleichtert den Einstieg in die Data Science in dem Medizin Studium. In kleinen Teams bearbeiten die Studierenden eine überschaubare Aufgabenstellung mit fachlichem Bezug zur Data Science und setzen erste Konzeptideen praktisch um. Gleichzeitig werden Grundlagen des selbstverantwortlichen Studierens und wissenschaftlichen Arbeitens vermittelt. Workshops zu Recherche, Zeitmanagement, Präsentation, Kommunikation und Prüfungsvorbereitung unterstützen die Studierenden dabei, geeignete Lern- und Arbeitsstrategien zu entwickeln.

Medizinische Daten müssen strukturiert, dokumentiert und recherchierbar sein. Das Modul vermittelt deshalb Grundlagen der medizinischen Dokumentation, Terminologie, Klassifikation und des Information Retrieval. Die Studierenden beschäftigen sich mit semantischer Indexierung und Suchverfahren sowie mit Ordnungssystemen wie ICD, OPS, DRG, MeSH, TNM und MedDRA. Ziel ist es, medizinische Informationen systematisch zu strukturieren und geeignete informatische Methoden für Dokumentation, Recherche und Datenverarbeitung einzusetzen.

Dieses Modul vermittelt grundlegende Konzepte der Informatik und schafft die Basis für die weiteren technischen Studieninhalte. Behandelt werden unter anderem binäre Zahlendarstellungen, Codierung, Boolesche Algebra, Rechnerarchitektur, Prozessoren und Betriebssysteme. Die Studierenden lernen, wie Informationen in Computersystemen dargestellt und verarbeitet werden und wie Hardware und Software zusammenspielen. Ergänzend werden Grundlagen wissenschaftlichen Arbeitens und wissenschaftlicher Redlichkeit eingeführt.

Medizin 2 erweitert die medizinischen Grundlagen um zentrale Themen aus Gastroenterologie, Stoffwechsel, Hämatologie, Onkologie und Infektionsmedizin. Die Studierenden beschäftigen sich mit Anatomie und Physiologie sowie mit Diagnostik, Prävention und Therapie relevanter Erkrankungen. Gleichzeitig wird der Bezug zu medizinischen Daten vertieft: Medizinisches Wissen soll genutzt werden, um beispielsweise Krankenakten strukturiert auszuwerten und informationstechnische Herausforderungen im Krankenhaus besser zu verstehen.

Programmieren 2 baut auf den Grundlagen aus Programmieren 1 auf und vertieft die objektorientierte Softwareentwicklung. Themen sind unter anderem Rekursion, generische Programmierung, Container, Ausnahmebehandlung, grafische Benutzeroberflächen, Threads und Synchronisation sowie Datei- und Streamverarbeitung. Die Studierenden entwickeln vollständige Programme kleineren und mittleren Umfangs und lernen, Anforderungen zu analysieren, Entwürfe zu erstellen, geeignete Entwicklungswerkzeuge einzusetzen und Software systematisch zu testen. 

Das Modul vermittelt die Grundlagen relationaler Datenbanken und ihrer praktischen Nutzung in Informationssystemen. Die Studierenden lernen, Datenmodelle zu entwickeln, Datenbanken zu strukturieren und mit SQL abzufragen. Themen wie Normalformen, Transaktionen, ACID-Eigenschaften und Indizes werden ebenso behandelt wie die praktische Datenbankprogrammierung. Ziel ist es, Datenbanksysteme für komplexe Anwendungen zu planen, umzusetzen und mit geeigneten Programmierschnittstellen zu nutzen.

Das Modul vermittelt grundlegende Kenntnisse über Betriebssysteme und Rechnernetze als technische Basis moderner Informationssysteme. Behandelt werden unter anderem Prozesse und Threads, Benutzer- und Rechteverwaltung, Dateisysteme sowie Netzwerkarchitekturen und Kommunikationsprotokolle. Praktische Übungen mit Windows- und Linux-Systemen sowie Netzwerkkomponenten ergänzen die Theorie. Ziel ist es, die technischen Grundlagen komplexer IT-Systeme zu verstehen und typische Konfigurations- und Fehlerbehebungsaufgaben bearbeiten zu können.

Analysis 1 vermittelt mathematische Grundlagen, die für viele Anwendungen der Informatik und der Data Science benötigt werden. Behandelt werden Funktionen, Grenzwerte, Stetigkeit, Differential- und Integralrechnung sowie grundlegende numerische Verfahren. Die Studierenden lernen, mathematische Zusammenhänge zu analysieren, einfache Anwendungsprobleme zu modellieren und systematisch zu lösen. Ergänzend werden Funktionsgraphen und Kurven mit Werkzeugen wie MATLAB oder Python visualisiert.

Stochastik vermittelt die Grundlagen der Wahrscheinlichkeitsrechnung und Statistik, die für die Analyse medizinischer Daten von zentraler Bedeutung sind. Behandelt werden deskriptive Statistik, Zufallsvariablen, diskrete und stetige Verteilungen sowie Grundlagen des statistischen Testens. Ergänzend werden Datensätze mit statistischer Software analysiert. Die Studierenden lernen, Zufallskomponenten zu erkennen, geeignete statistische Modelle zu entwickeln und Daten systematisch auszuwerten, zu interpretieren und grafisch darzustellen.

Medizin 3 vervollständigt die medizinischen Grundlagen um weitere wichtige Fachgebiete. Behandelt werden unter anderem Nieren und Harnwege, Nervensystem und Sinnesorgane, Endokrinologie sowie Schwangerschaft und Geburtshilfe. Ergänzend werden Grundlagen der Pharmakologie und klinischer Studien vermittelt. Die Studierenden lernen, medizinische Informationen selbstständig zu strukturieren und auf konkrete Fälle anzuwenden. Auch ethisch kontroverse medizinische Entscheidungen werden betrachtet und kritisch aus unterschiedlichen Perspektiven bewertet.

Dieses Modul vermittelt einen umfassenden Überblick über Informationssysteme im Gesundheitswesen. Behandelt werden Krankenhausinformationssysteme, Patienten- und OP-Management, Befunddokumentation, PACS, Praxisinformationssysteme sowie elektronische Patienten- und Gesundheitsakten. Ein weiterer Schwerpunkt liegt auf Interoperabilität und Standards wie HL7/FHIR, DICOM, XML und EDIFACT. Ziel ist es, komplexe medizinische Informationssysteme zu verstehen, Anforderungen zu beschreiben und Möglichkeiten ihrer Integration und Kommunikation zu beurteilen.

Das Modul vermittelt grundlegende Kenntnisse über Strukturen, rechtliche Rahmenbedingungen und wirtschaftliche Abläufe im Gesundheitswesen. Im Mittelpunkt stehen unter anderem Krankenhausorganisation, Finanzierung, Trägerstrukturen, Patientenmanagement und relevante gesetzliche Grundlagen. Ergänzend werden betriebswirtschaftliche und rechtliche Fragestellungen betrachtet. Die Studierenden entwickeln dadurch ein Verständnis für die organisatorischen Rahmenbedingungen, in denen medizinische Informationssysteme eingesetzt und Daten verarbeitet werden.

Fachenglisch bereitet die Studierenden auf die internationale Kommunikation im Data Science Umfeld vor. Anhand medizinischer und informationstechnischer Themen werden Fachwortschatz, Hör- und Leseverständnis, Diskussion, Präsentation und schriftliche Kommunikation trainiert. Themen sind unter anderem das Datenmanagement klinischer Studien und die medizinische Ethik. Ziel ist eine sichere und flexible Verwendung der englischen Sprache für akademische und berufliche Situationen auf dem Niveau C1.

Das Modul Inferenzstatistik vermittelt die Grundlagen der schließenden Statistik und schafft damit eine wichtige Basis für die Analyse medizinischer Daten. Behandelt werden Punkt- und Intervallschätzungen, Konfidenzintervalle, Hypothesentests sowie Verfahren für verschiedene Verteilungen und Stichprobensituationen. Auch die Fallzahlschätzung und die Planung von Studien werden betrachtet. Die Studierenden lernen, geeignete statistische Verfahren auszuwählen, deren Voraussetzungen zu prüfen und die Sicherheit statistischer Schlussfolgerungen kritisch zu beurteilen.

Klinische Studien gehören zu den zentralen Anwendungsfeldern von Data Science in der Medizin. Das Modul vermittelt Grundlagen für deren Planung, Durchführung und Auswertung. Behandelt werden Studiendesigns, Randomisierung, Fallzahlplanung, Datenmanagement, Good Clinical Practice sowie der Umgang mit fehlenden Werten und Protokollverletzungen. Auch spezielle Designs und Metaanalysen werden betrachtet. Ziel ist es, klinische Studien methodisch fundiert zu planen, kritisch zu bewerten und ihre Ergebnisse sachgerecht zu interpretieren.

Dieses Modul verbindet Programmierung mit typischen Aufgabenstellungen der Data Science. Die Studierenden lernen Python und objektorientierte Programmierung kennen und arbeiten mit Jupyter Notebooks sowie Bibliotheken zur Datenanalyse und Visualisierung. Darüber hinaus werden Grundlagen der Entwicklung dynamischer Webanwendungen, REST-Schnittstellen und Datenbankzugriffe vermittelt. Ziel ist es, Data-Science-Prozesse praktisch umzusetzen und datenbasierte Anwendungen eigenständig zu entwickeln.

Dieses Modul behandelt die besonderen Anforderungen an Datenschutz und Informationssicherheit bei medizinischen Daten und IT-Systemen. Neben den rechtlichen und ethischen Grundlagen stehen der Schutz von Gesundheits- und Sozialdaten sowie technische und organisatorische Maßnahmen im Mittelpunkt. Die Studierenden lernen, Schutzbedarfe und Risiken zu erkennen und rechtskonforme Lösungen zu entwickeln. Ergänzend werden Grundlagen der Kryptographie, Verschlüsselung und digitaler Signaturen vermittelt.

Das Modul vermittelt Methoden und Werkzeuge für die professionelle Planung, Steuerung und Umsetzung von Projekten. Die Studierenden lernen Projektphasen, Rollen und Verantwortlichkeiten kennen und beschäftigen sich mit klassischen und agilen Vorgehensweisen wie Scrum und Kanban. Planungsinstrumente wie GANTT-Diagramme und Netzpläne werden praktisch eingesetzt. Ziel ist es, Projekte zielorientiert zu organisieren, Teams zu koordinieren, Projektverläufe systematisch zu steuern und zu bewerten.

Data Analytics vermittelt praktische Kompetenzen in der Aufbereitung und in der deskriptiven Analyse medizinischer Daten. Die Studierenden führen Daten aus unterschiedlichen Quellen zusammen und bereiten sie für konkrete Fragestellungen der medizinischen Forschung auf. Mit SAS und R werden statistische Auswertungen und Visualisierungen durchgeführt. Ziel ist es, medizinische Daten systematisch zu analysieren, Ergebnisse fachlich zu interpretieren und verständlich zu präsentieren.

Epidemiologie beschäftigt sich mit der Verteilung von Krankheiten und gesundheitsbezogenen Ereignissen in Populationen sowie mit deren Ursachen und Risikofaktoren. Die Studierenden lernen epidemiologische Maßzahlen kennen und wenden sie auf reale Studiendaten an. Dabei werden Datenmanagement, deskriptive und grafische Analysen sowie statistische Modelle eingesetzt. Ziel ist es, epidemiologische Fragestellungen systematisch zu untersuchen, Ergebnisse hinsichtlich ihrer Aussagekraft zu beurteilen und medizinische Studiendaten fundiert zu interpretieren.

Das Modul vermittelt grundlegende Methoden des maschinellen Lernens und deren praktische Anwendung mit Python. Behandelt werden überwachte und unüberwachte Lernverfahren, Modellbewertung, Datenvorverarbeitung, Regression, Klassifikation, Clustering und Ensemble-Verfahren. Ergänzend erfolgt eine Einführung in neuronale Netze und Deep Learning. Die Studierenden lernen, geeignete Algorithmen für konkrete Problemstellungen auszuwählen, Daten aufzubereiten und Modelle strukturiert zu entwickeln, zu evaluieren und zu interpretieren.

Das Seminar vermittelt zentrale Kompetenzen des wissenschaftlichen Arbeitens im Umfeld von Medizin und Data Science. Die Studierenden lernen, Fachinformationen gezielt zu recherchieren, Quellen kritisch zu bewerten, wissenschaftliche Texte zu strukturieren und korrekt zu zitieren. Sie entwickeln eigene Forschungsfragen, erstellen eine wissenschaftliche Arbeit und präsentieren deren Ergebnisse auf Englisch. Ergänzend werden Präsentations-, Kommunikations- und Zeitmanagementfähigkeiten trainiert, die für Forschung, Studium und berufliche Praxis gleichermaßen relevant sind.

In der Projektarbeit bearbeiten die Studierenden im Team ein anspruchsvolleres Projekt im Bereich Data Science und wenden dabei ihre bisher erworbenen fachlichen und methodischen Kompetenzen an. Die Projekte können einen medizinischen Anwendungskontext aufgreifen und werden mit einer praxisüblichen Rollenverteilung durchgeführt. Neben der technischen Umsetzung stehen Projektplanung, Anforderungsmanagement, agile Arbeitsweisen, Versionsverwaltung und Teamarbeit im Mittelpunkt. Dadurch werden Erfahrungen gesammelt, die unmittelbar auf spätere berufliche Tätigkeiten vorbereiten.

Biostatistik vermittelt statistische Methoden für die Analyse medizinischer Daten und baut auf den Grundlagen der Statistik auf. Die Studierenden lernen, kategoriale Daten und Ereigniszeiten auszuwerten sowie Verfahren der linearen Regression, Varianz- und Kovarianzanalyse anzuwenden. Ein wichtiger Bestandteil ist die praktische Umsetzung mit statistischer Software und realen Datensätzen. Ziel ist es, geeignete biostatistische Verfahren auszuwählen, Ergebnisse kritisch zu beurteilen und medizinische Fragestellungen datenbasiert zu analysieren.

Das Praxisprojekt ermöglicht es den Studierenden, ihre im Studium erworbenen Kenntnisse in einem mindestens 100-tägigen Praxissemester anzuwenden und zu vertiefen. Sie arbeiten in beispielsweise Pharmaunternehmen, Krankenhäusern, Forschungseinrichtungen oder in anderen datenbezogenen Industriezweigen an realen Aufgabenstellungen. Dabei sammeln sie Erfahrungen im beruflichen Umfeld, lernen betriebliche Abläufe kennen und können eigene fachliche Schwerpunkte entwickeln. Das Praxissemester bildet damit eine wichtige Brücke zwischen Studium und Beruf.

Die Praxissemesterarbeit dokumentiert und reflektiert die Erfahrungen aus dem Praxissemester. Die Studierenden erstellen einen schriftlichen Bericht und präsentieren ihre Tätigkeit, Erkenntnisse und Ergebnisse vor den Mitstudierenden. Dabei lernen sie, medizinische, wissenschaftliche und technische Zusammenhänge aus dem betrieblichen Alltag strukturiert aufzubereiten und Schlussfolgerungen abzuleiten. Gleichzeitig werden Präsentations-, Kommunikations- und Reflexionsfähigkeiten trainiert, die für den späteren Berufsalltag von großer Bedeutung sind.

Die Bachelorarbeit bildet den Abschluss des Studiums und ermöglicht eine vertiefte Auseinandersetzung mit einer konkreten Fragestellung aus dem Bereich Data Science in der Medizin. Die Studierenden bearbeiten eine klar abgegrenzte Aufgabe selbstständig mit wissenschaftlichen Methoden. Dazu gehören die Entwicklung und Bewertung von Lösungskonzepten, die strukturierte Durchführung eines umfangreicheren Projekts, die Dokumentation der Ergebnisse sowie deren abschließende Präsentation und Diskussion.