Data Warehouses: Unterschied zwischen den Versionen
Zur Navigation springen
Zur Suche springen
(Die Seite wurde neu angelegt: „{{Modulbeschreibung |Kurzbezeichnung=Data Warehouses |Name-DE=Data Warehouses für medizinische Versorgung und Forschung |Name-EN=Data Warehouses for medical c…“) |
Keine Bearbeitungszusammenfassung |
||
| Zeile 3: | Zeile 3: | ||
|Name-DE=Data Warehouses für medizinische Versorgung und Forschung | |Name-DE=Data Warehouses für medizinische Versorgung und Forschung | ||
|Name-EN=Data Warehouses for medical care and research | |Name-EN=Data Warehouses for medical care and research | ||
|Beschreibung-DE=Die Vorlesung „Data Warehouses für medizinische Versorgung und Forschung“ vermittelt die Grundlagen der Datengewinnung, des Datenzugriffs und der Datenanalyse von primären und sekundären Datenquellen in der klinischen Studienforschung und der Versorgung. Es werden gängige Methoden und Werkzeuge eingeführt (Electronic Data Capture, Anforderungsanalyse, Konzeption und Validierung von Studiendatenbanken, Biomaterialdatenbanken, Data Dictionaries, Standard Operating Procedures, automatische Generierung von Reports, Data Mining in klinischen Anwendungssystemen). Während der Übungen werden die Inhalte aus den Vorlesungen an konkreten Applikationen und praxisnahen Szenarien angewandt. Dabei werden die jeweiligen Softwarewerkzeuge zuerst näher vorgestellt und anhand komplexer Beispiele demonstriert. Im Anschluss lösen die Studenten selbstständig Aufgaben, wie sie typischerweise an Medizininformatiker herangetragen werden. Die vollständige Lösung der Aufgaben ist Teil des Selbststudiums. | |Beschreibung-DE='''Inhalt'''Die Vorlesung „Data Warehouses für medizinische Versorgung und Forschung“ vermittelt die Grundlagen der Datengewinnung, des Datenzugriffs und der Datenanalyse von primären und sekundären Datenquellen in der klinischen Studienforschung und der Versorgung. Es werden gängige Methoden und Werkzeuge eingeführt (Electronic Data Capture, Anforderungsanalyse, Konzeption und Validierung von Studiendatenbanken, Biomaterialdatenbanken, Data Dictionaries, Standard Operating Procedures, automatische Generierung von Reports, Data Mining in klinischen Anwendungssystemen). Während der Übungen werden die Inhalte aus den Vorlesungen an konkreten Applikationen und praxisnahen Szenarien angewandt. Dabei werden die jeweiligen Softwarewerkzeuge zuerst näher vorgestellt und anhand komplexer Beispiele demonstriert. Im Anschluss lösen die Studenten selbstständig Aufgaben, wie sie typischerweise an Medizininformatiker herangetragen werden. Die vollständige Lösung der Aufgaben ist Teil des Selbststudiums.<br/>'''Qualifikationsziele'''· Die Studierenden können Grundlagen der Datenrepräsentation und Datenanalyse von primären und sekundären Datenquellen, Prinzipien des Data Mining, Data Warehouses, Knowledge Management, (FAIR Prinzipien) erläutern. · Die Studierenden können bei gängigen Datenbanken Abfragen durchführen. · Die Studierenden können Maßnahmen zur Sicherstellung einer hohen Datenqualität (auf Basis von FAIR-Prinzipien) nennen / erklären. · Die Studierenden können Anforderungen an die Informationsverarbeitung bei klinischen Studien an EDC (Electronic Data Capture) nennen / erklären, z.B. aus Registern (deutsches Krebsregister). | ||
|Studiengang=MSc MI (Leipzig) | |Studiengang=MSc MI (Leipzig) | ||
}} | }} | ||
Version vom 15. Oktober 2020, 16:53 Uhr
| Short Name | Data Warehouses |
|---|---|
| Name (De) | Data Warehouses für medizinische Versorgung und Forschung |
| Name (En) | Data Warehouses for medical care and research |
| Description (De) | InhaltDie Vorlesung „Data Warehouses für medizinische Versorgung und Forschung“ vermittelt die Grundlagen der Datengewinnung, des Datenzugriffs und der Datenanalyse von primären und sekundären Datenquellen in der klinischen Studienforschung und der Versorgung. Es werden gängige Methoden und Werkzeuge eingeführt (Electronic Data Capture, Anforderungsanalyse, Konzeption und Validierung von Studiendatenbanken, Biomaterialdatenbanken, Data Dictionaries, Standard Operating Procedures, automatische Generierung von Reports, Data Mining in klinischen Anwendungssystemen). Während der Übungen werden die Inhalte aus den Vorlesungen an konkreten Applikationen und praxisnahen Szenarien angewandt. Dabei werden die jeweiligen Softwarewerkzeuge zuerst näher vorgestellt und anhand komplexer Beispiele demonstriert. Im Anschluss lösen die Studenten selbstständig Aufgaben, wie sie typischerweise an Medizininformatiker herangetragen werden. Die vollständige Lösung der Aufgaben ist Teil des Selbststudiums. Qualifikationsziele· Die Studierenden können Grundlagen der Datenrepräsentation und Datenanalyse von primären und sekundären Datenquellen, Prinzipien des Data Mining, Data Warehouses, Knowledge Management, (FAIR Prinzipien) erläutern. · Die Studierenden können bei gängigen Datenbanken Abfragen durchführen. · Die Studierenden können Maßnahmen zur Sicherstellung einer hohen Datenqualität (auf Basis von FAIR-Prinzipien) nennen / erklären. · Die Studierenden können Anforderungen an die Informationsverarbeitung bei klinischen Studien an EDC (Electronic Data Capture) nennen / erklären, z.B. aus Registern (deutsches Krebsregister). |
| Description (En) | |
| Study Program(s) | MSc MI (Leipzig) |
| LO of the Module | |
| external LO | |
| Previous |
Learning Objectives of the Module
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||