{"id":25609,"date":"2025-10-22T08:12:00","date_gmt":"2025-10-22T06:12:00","guid":{"rendered":"https:\/\/www.smith.care\/?p=25609"},"modified":"2025-10-20T15:50:33","modified_gmt":"2025-10-20T13:50:33","slug":"masterarbeitsthemen-interpolar","status":"publish","type":"post","link":"https:\/\/www.smith.care\/de\/2025\/10\/22\/masterarbeitsthemen-interpolar\/","title":{"rendered":"Masterarbeitsthemen an der Schnittstelle zwischen Pharmazie, Informatik und Data Science zu vergeben"},"content":{"rendered":"\n<p>Sie studieren Medizininformatik, Informatik, Data Science, Pharmazie oder ein verwandtes Fach und suchen ein klinisch anschlussf\u00e4higes Thema f\u00fcr Ihre Masterarbeit? Im <a href=\"https:\/\/www.smith.care\/de\/interpolar_mii\/interpolar\/\">INTERPOLAR-Projekt<\/a> der <a href=\"https:\/\/www.smith.care\/de\/smith-konsortium\/ueber-die-medizininformatik-initiative-mii\/\">Medizininformatik-Initiative<\/a> werden ab sofort f\u00fcnf Masterarbeiten vergeben, die Forschung und klinische Anwendung verbinden.<\/p>\n\n\n\n<p>Die Themen liegen in der Grundlagenforschung und methodischen Entwicklung zu digitaler Arzneimittelsicherheit und K\u00fcnstlicher Intelligenz (KI). Eine Betreuung ist interdisziplin\u00e4r aus Pharmazie, Data Science und Informatik m\u00f6glich. Sie arbeiten mit aktuellen Ans\u00e4tzen der KI, Kausalmodellierung und Wissensrepr\u00e4sentation und erhalten dabei Einblicke in klinische Abl\u00e4ufe. So k\u00f6nnen Sie bereits im Rahmen Ihrer Qualifikationsarbeit Projekterfahrung sammeln, Kontakte kn\u00fcpfen und zentrale Kompetenzen f\u00fcr T\u00e4tigkeiten im Bereich Digital Health aufbauen.<\/p>\n\n\n\n<p><strong>Das sind die Themen:<\/strong><\/p>\n\n\n\n<p><em>Thema 1: <\/em><strong><\/strong><\/p>\n\n\n\n<p><strong>Titel:<\/strong> Entwicklung einer semantischen Pipeline zur strukturierten Wissensrepr\u00e4sentation von Arzneimittelinformationen<\/p>\n\n\n\n<p><strong>Hintergrund:<\/strong><\/p>\n\n\n\n<p>Arzneimittelinformationen liegen h\u00e4ufig in textlicher Form (z. B. Fachinformationen, Leitlinien, Studienberichte) vor. Um daraus eine begr\u00fcndbare und \u00fcberpr\u00fcfbare Entscheidungslogik zu gewinnen, m\u00fcssen Inhalte formalisiert, semantisch angereichert und maschinenlesbar gemacht werden.<\/p>\n\n\n\n<p><strong>Ziele<\/strong>:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Aufbau einer Pipeline zur Extraktion klinisch relevanter Konzepte (Dosis, Interaktionen, Kontraindikationen)<\/li>\n\n\n\n<li>Vorverarbeitung, Validierung und Verfeinerung von Annotationen<\/li>\n\n\n\n<li>Konzept- und Regel-Extraktion (z. B. Dosierungen, Kontraindikationen, Arzneimittelinteraktionen)<\/li>\n\n\n\n<li>Semantische Repr\u00e4sentation in Wissensmodellen (z. B. FHIR MedicationKnowledge, OWL, JSON-LD)<\/li>\n\n\n\n<li>Integration von Begr\u00fcndungslogik (\u201eReasoning as Model\u201c) zur Ableitung klinischer Regeln<\/li>\n\n\n\n<li>Evaluation anhand von Fallbeispielen<\/li>\n\n\n\n<li>Abbildung in FHIR Knowledge Artefakte \/ Contextual Query Language (CQL) \/ Ontologien<br><\/li>\n<\/ul>\n\n\n\n<p><\/p>\n\n\n\n<p><strong>Anforderungen:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Interesse an Natural Language Processing (NLP), Wissensrepr\u00e4sentation und semantischen Technologien<\/li>\n\n\n\n<li>Grundkenntnisse in Python, Resource Description Framework (RDF) oder FHIR<\/li>\n\n\n\n<li>Bereitschaft zur interdisziplin\u00e4ren Arbeit mit klinischen Daten<\/li>\n<\/ul>\n\n\n\n<p><em><br><\/em><\/p>\n\n\n\n<p><em>Thema 2:<\/em><\/p>\n\n\n\n<p><strong>Titel:<\/strong> Modellierung und Analyse klinischer Entscheidungsbegr\u00fcndungen mit Reasoning-Graphen<\/p>\n\n\n\n<p><strong>Hintergrund:<\/strong><\/p>\n\n\n\n<p>Klinische Entscheidungen \u2013 insbesondere im Medikationsmanagement \u2013 beruhen auf expliziten und impliziten Begr\u00fcndungen. Diese k\u00f6nnen formal als Reasoning-Graphen modelliert werden, um Muster, Fehlschl\u00fcsse und Strategien der Entscheidungsbildung zu verstehen.<\/p>\n\n\n\n<p><strong>Ziele:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Sammlung apothekerbasierter Fallanalysen<\/li>\n\n\n\n<li>Strukturierte Erfassung von Begr\u00fcndungen f\u00fcr die Erkennung von Medikationsproblemen und Relevanzbewertung<\/li>\n\n\n\n<li>Modellierung von Reasoning-Graphen (Knoten: Observation, Hypothesis, Action; Kanten: supports, contradicts, leads_to), ggf. mit Annotation klinischer oder pharmazeutischer Fallbegr\u00fcndungen<\/li>\n\n\n\n<li>Entwicklung eines Schemas f\u00fcr \u201eReasoning as Model\u201c (Knoten: Observation, Hypothesis, Action)<\/li>\n\n\n\n<li>Konsolidierung individueller Graphen zu einem generalisierten Reasoning- und Wissensgraph<\/li>\n\n\n\n<li>Quantitative und qualitative Analyse von Entscheidungslogiken<\/li>\n\n\n\n<li>Vergleich menschlicher und maschineller Reasoning-Muster (z. B. Large Language Models, Knowledge Graphs)<\/li>\n<\/ul>\n\n\n\n<p><br><strong>Anforderungen:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Interesse an Cognitive Modeling, Graph Reasoning, Explainable AI<\/li>\n\n\n\n<li>Grundkenntnisse in Python, Neo4j, Graphviz oder vergleichbaren Tools w\u00e4ren hilfreich<\/li>\n\n\n\n<li>F\u00e4higkeit zu analytischem, interdisziplin\u00e4rem Denken<\/li>\n<\/ul>\n\n\n\n<p><\/p>\n\n\n\n<p><\/p>\n\n\n\n<p><\/p>\n\n\n\n<p><\/p>\n\n\n\n<p><br><em>Thema 3:<\/em><\/p>\n\n\n\n<p><strong>Titel:<\/strong> Extraktion, Formalisierung und Begr\u00fcndbarkeit pharmazeutischer Regeln f\u00fcr Medikationsentscheidungen<\/p>\n\n\n\n<p><strong>Hintergrund:<\/strong><\/p>\n\n\n\n<p>Klinisch-pharmazeutische Empfehlungen (z. B. Dosierungsanpassungen, Interaktionswarnungen) basieren auf Regeln, die selten explizit begr\u00fcndet oder validiert sind. Eine maschinenlesbare, erkl\u00e4rbare Regelbasis ist notwendig, um klinische Entscheidungsunterst\u00fctzung nachvollziehbar zu gestalten.<\/p>\n\n\n\n<p><strong>Ziele:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Systematische Extraktion von pharmazeutischen Regeln aus Leitlinien und Literatur, z.B. Kontraindikationen. Kontraindikationen sind Umst\u00e4nde, die eine medizinische Ma\u00dfnahme verbieten, weil sie beispielsweise zu gesundheitlichen Sch\u00e4den oder Nebenwirkungen f\u00fchren k\u00f6nnte.<\/li>\n\n\n\n<li>Klassifikation und Mapping auf standardisierte Terminologien (z. B. SNOMED CT, ATC, ICD-10)<\/li>\n\n\n\n<li>Formale Abbildung als Regelgraph oder in CQL\/FHIR PlanDefinition<\/li>\n\n\n\n<li>Integration von Begr\u00fcndungsinformationen (Reasoning-Komponenten)<\/li>\n\n\n\n<li>Entwicklung und Test eines Prototypen f\u00fcr die algorithmische Abbildung von Kontraindikationsregeln, z.B. Evidence Cards, die Daten, Regel und Begr\u00fcndung verbinden<\/li>\n\n\n\n<li>Evaluation der Erkl\u00e4rbarkeit und Konsistenz dieser Regeln anhand klinischer Szenarien (Validierung durch Fachexpertinnen und -experten)<\/li>\n<\/ul>\n\n\n\n<p><\/p>\n\n\n\n<p><strong>Anforderungen:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Studium der Pharmazie, Data Science oder Informatik<\/li>\n\n\n\n<li>Interesse an Regelmodellierung, semantischer Interoperabilit\u00e4t und Evidence Representation<\/li>\n\n\n\n<li>Grundkenntnisse in Python, Text Mining oder Wissensmodellierung<\/li>\n\n\n\n<li>Freude an interdisziplin\u00e4rer Zusammenarbeit (Informatik \u2194 Pharmazie \u2194 Klinik)<\/li>\n<\/ul>\n\n\n\n<p><\/p>\n\n\n\n<p><\/p>\n\n\n\n<p><\/p>\n\n\n\n<p><\/p>\n\n\n\n<p><br><em>Thema 4: <\/em><\/p>\n\n\n\n<p><strong>Titel: <\/strong>Methodische Ans\u00e4tze zur Integration von pharmakologischer Modellierung und beobachtungsbasierten Daten<\/p>\n\n\n\n<p><strong>Hintergrund:<\/strong><strong><\/strong><\/p>\n\n\n\n<p>Pharmakologische Modelle (z. B. PopPK-\/PD-Modelle) und Routinedaten spiegeln unterschiedliche Evidenzquellen wider. Ihre Integration erfordert methodische Ans\u00e4tze zur Harmonisierung von Strukturen, Unsicherheiten und Skalenebenen.<\/p>\n\n\n\n<p><strong>Ziele:<\/strong><strong><\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Vergleich methodischer Strategien zur Integration strukturierter und unstrukturierter Datenquellen<\/li>\n\n\n\n<li>Entwicklung eines Frameworks zur Konsistenzpr\u00fcfung von pharmakologischen und beobachtungsbasierten Evidenzen<\/li>\n\n\n\n<li>Evaluation von Bias-Quellen und Unsicherheiten<\/li>\n\n\n\n<li>Anwendung auf exemplarische Wirkstoffgruppen (z. B. Antikoagulanzien, Immunsuppressiva)<\/li>\n<\/ul>\n\n\n\n<p><\/p>\n\n\n\n<p><strong>Anforderungen:<\/strong><strong><\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Studium der Data Science, Biostatistik, Computational Pharmacology oder Informatik<\/li>\n\n\n\n<li>Kenntnisse in Statistik, Bayesian Modeling oder Machine Learning<\/li>\n\n\n\n<li>Interesse an Evidenzintegration und Modellvalidierung<\/li>\n<\/ul>\n\n\n\n<p><\/p>\n\n\n\n<p><\/p>\n\n\n\n<p><\/p>\n\n\n\n<p><\/p>\n\n\n\n<p><br><em>Thema 5: <\/em><\/p>\n\n\n\n<p><strong>Titel: <\/strong>Entwicklung von datengetriebenen Simulationsmodellen (\u201eDigital Twins\u201c) f\u00fcr Medikationssicherheit<\/p>\n\n\n\n<p><strong>Hintergrund:<\/strong><strong><\/strong><\/p>\n\n\n\n<p>Digitale Zwillinge k\u00f6nnen komplexe Arzneimittelwirkungen und Interaktionen simulieren. Durch die Integration genetischer, klinischer und pharmakologischer Daten entsteht ein Framework zur modellbasierten Hypothesengenerierung und Risikoabsch\u00e4tzung.<\/p>\n\n\n\n<p><strong>Ziele:<\/strong><strong><\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Konzeption und Implementierung eines generischen Simulationsframeworks<\/li>\n\n\n\n<li>Integration patientenspezifischer Variablen (z. B. genetische Marker, Organfunktion, Co-Medikation)<\/li>\n\n\n\n<li>Entwicklung von Modellen zur Vorhersage von Dosis-Wirkungs-Relationen und Risiken f\u00fcr unerw\u00fcnschte Arznemittelinteraktionen<\/li>\n\n\n\n<li>Methodische Evaluation der Modellg\u00fcte, Generalisierbarkeit und Erkl\u00e4rbarkeit<\/li>\n<\/ul>\n\n\n\n<p><\/p>\n\n\n\n<p><strong>Anforderungen:<\/strong><strong><\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Studium Computational Biology, Data Science oder Medizininformatik<\/li>\n\n\n\n<li>Interesse an Simulation, KI, Pharmakometrie oder Modellvalidierung<\/li>\n\n\n\n<li>Erfahrung mit Python, R oder Simulationsframeworks (z. B. PyMC, Stan)<\/li>\n<\/ul>\n\n\n\n<p><\/p>\n\n\n\n<p><\/p>\n\n\n\n<p><\/p>\n\n\n\n<p><br><strong>Mehrwert f\u00fcr Studierende:<\/strong><\/p>\n\n\n\n<p>Die Themen st\u00e4rken methodische Kompetenzen an der Schnittstelle von Begr\u00fcndbarkeit, Evidenzintegration und Modellbildung. Sie sind theoretisch relevant f\u00fcr Wissensrepr\u00e4sentation und kausale Modellierung und zugleich praktisch bedeutsam f\u00fcr Medikationssicherheit sowie erkl\u00e4rbare KI. Zudem verbinden sie Natural Language Processing, Knowledge Engineering und FHIR \u2013 zentrale F\u00e4higkeiten f\u00fcr Laufbahnen in Gesundheitsdatenwissenschaft, klinischer KI und digitaler Gesundheitswirtschaft.<\/p>\n\n\n\n<p><\/p>\n\n\n\n<p><strong>Sie haben Interesse an einem der Themen?<\/strong> Melden Sie sich mit Ihrem Themenwunsch bei uns unter <a href=\"mailto:info@smith.care\">info@smith.care<\/a>!<\/p>\n\n\n\n<p><\/p>\n\n\n\n<p><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Im INTERPOLAR-Projekt der Medizininformatik-Initiative werden ab sofort f\u00fcnf Masterarbeiten vergeben, die Forschung und klinische Anwendung verbinden.<\/p>\n","protected":false},"author":14,"featured_media":25623,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-25609","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-neuigkeiten"],"_links":{"self":[{"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/posts\/25609","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/users\/14"}],"replies":[{"embeddable":true,"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/comments?post=25609"}],"version-history":[{"count":16,"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/posts\/25609\/revisions"}],"predecessor-version":[{"id":25633,"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/posts\/25609\/revisions\/25633"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/media\/25623"}],"wp:attachment":[{"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/media?parent=25609"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/categories?post=25609"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.smith.care\/de\/wp-json\/wp\/v2\/tags?post=25609"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}