For dette projekt vil du undersøge måder at skabe automatiske dataharmoniseringsmetoder til elektroniske patientjournaler (EHR). Dit arbejde vil gøre det muligt at udvikle og benchmarke den største ML-model for lymfekræft ved at fjerne den største barriere for fødereret læring: dataintegration.

Baggrund

Mens ML har transformeret billed- og tekstdataanalyse, er sundhedsdata stærkt begrænset af datastruktur, privatliv og små kohorter. Harmonisering på tværs af hospitalssystemer er en forudsætning for fødereret læring, men der findes ingen metoder til automatisk harmonisering. Dette er flaskehalsen for moderne ML i medicinsk forskning.

Øvrige kommentarer

CLL Lab har implementeret ML i kliniske forsøg (PreVent-ACaLL) og i EPIC EHR-systemet. Med adgang til +60.000 patienter og +3000 variable pr. patient får du adgang til enestående data og impact.

Du skal være i gang med 6-12 måneders speciale og have erfaring med programmering og dataanalyse/ML. Ingen krav om medicinsk baggrund.