Präsentation

21. May 2024, 10:00 Uhr, Raum 3.216

Betreuer

Prof. Dr. Daniel Gaida

Kooperationspartner

TH Köln

Stichworte

Data Science, Medizin, Data Analysis

Bildrechte

Ale Rechte vorbehalten

Abstract

Wie können wir präzise Prognosemodelle zur Bewertung des Herz-Kreislauf-Erkrankungsrisikos einer Person basierend auf ihren Lebensgewohnheiten entwickeln und implementieren, um gezielte Interventionen zur Risikoreduzierung zu ermöglichen?

Dieses Forschungsprojekt untersucht Lösungskonzepte zur Vorhersage von Herz-Kreislauf-Erkrankungsrisiken, bewertet die Genauigkeit verschiedener maschineller Lernmodelle, analysiert die Auswirkungen der Hyperparameteroptimierung auf die Modellleistung und untersucht, wie persönliche Merkmale zur Verbesserung der Vorhersage des Risikos für Herz-Kreislauf-Erkrankungen genutzt werden können.

Durch die Identifizierung entscheidender Faktoren und die Schaffung eines soliden Rahmenwerks für die Früherkennung von Risiken strebt diese Arbeit die Förderung personalisierter Gesundheitsmaßnahmen an, um die Belastung durch Herz-Kreislauf-Erkrankungen zu verringern.

Materialien

Da die Codedateien zu groß für GitHub sind, wird der Code via PyCharm geteilt: https://code-with-me.global.jetbrains.com/D2x1xs7ILRkeXcdhYqjr6w#p=PY&fp=6360E743FAB70F05F050567F47F9D8A9BBAF7A0BDDBC170E224F5B8EF0534A5D&newUi=true

Weiterführende Themen

• Untersuchung der Wirksamkeit komplexerer Algorithmen wie SVM oder Gradient-Boosting
• Untersuchung des Einflusses demografischer Faktoren auf Herz-Kreislauf-Erkrankungen
• Analyse der Rolle der genetischen Veranlagung
• Untersuchung des potenziellen Einsatzes tragbarer Geräte und Technologien zur Gesundheitsüberwachung