α) Verwaltung von elektronischen Gesundheitsakten
i. Diagnosen
ii. Medizinische Interventionen
iii. Verschreibungen
iv. Medikamente
v. Nebenwirkungen von Medikamenten
vi. Labor-/Mikrobiologische Untersuchungen
vii. Verlaufsnotizen zur Patient:innengesundheit
viii. Demografische Daten der Patient:innen

β) Verwaltung verschiedener Gesundheitsdatentypen
i. Vitalzeichen (vital signs)
ii. Biomarker (bioindexes) – z. B. BMI, PSA
iii. Elektrokardiogramm (ECG)
iv. Computertomographie (CT scan)
v. Magnetresonanztomographie (MRI)
vi.Weitere komplexe medizinische Signale (z. B. EEG, Audiogramm usw.)

γ) Fallstudie mit realen Krankenhausdaten aus Boston (MIMIC III)
i. Beschreibung
ii. Datentypen (EHRs, ECGs, Röntgenaufnahmen des Brustkorbs, Verlaufsnotizen usw.)
iii. Datenbankschema
iv. Vorstellung einer Anwendung zur Echtzeitanalyse und Visualisierung der Daten des Bostoner Krankenhauses

α) Künstliche Intelligenz und ethische Fragestellungen in der Medizin
i. Grundprinzipien der biomedizinischen Ethik
ii. Transparenz, Fairness und Unvoreingenommenheit der KI
iii. Einwilligung der Patient:innen in klinische Entscheidungen
iv. Gesetz über künstliche Intelligenz der Europäischen Union (AI Act)

β) Schutz sensibler personenbezogener Daten von Patient:innen
i. Anonymisierungstechniken
ii. Zeitverschiebung (Date shifting)
iii. Formatkonvertierung
iv. Generalisierung von medizinischen Dateninteraktionen
v. K-Anonymität
vi. Hinzufügen von Rauschen (Adding Noise)
vii. Informationsverlust (Loss of Information)
viii. Differenzielle Privatsphäre

α) Innovative KI-Algorithmen in der Biomedizin
i. DeepMind's AlphaFold2 (Die Entwickler:innen erhielten den Nobelpreis für Chemie)
ii. Microsoft's BioEmu-1 (3D-Visualisierung von Proteinen)
iii. KI für Drug Re-Purposing (alte Medikamente für neue Krankheiten)
iv. Vorhersage der Sterblichkeit auf Intensivstationen & Medikamentenempfehlungen

β) Deep Learning
i. Klassifikation (Lineare Regression, Logistische Regression, Entscheidungsbäume & Random Forests usw.)
ii. Tiefe neuronale Netzwerke (MLPs, CNNs, RNNs, GCNs usw.)
iii. ChatGPT zur Generierung von Bioindizes (Bioindex-Generator)

Beispiel für ein ChatGPT-5 Prompt: «„Ich habe dir 3 Dateien mit Bluttestergebnissen hochgeladen… Erstelle auf dieser Basis eine
Vergleichstabelle/-grafik über drei Jahre, wobei die Marker, die außerhalb der Normwerte liegen, in Rot angezeigt werden…“

iv. Kombinierte Bewertung klinischer Befunde & genetischer Merkmale (DNA)

a. Was sind ChatGPT-Prompts und warum sind sie wichtig?

β. Best Practices (Rollenspiel) für die Kommunikation von Ärzt:innen mit der KI-Software

γ. Festlegung von Einschränkungen in ChatGPT-Prompts für effektivere Ergebnisse

δ. Pre-Prompts basierend auf Word-/Excel-Dateien für After-Visit-Therapiepläne

Beispiel für ein ChatGPT-5 Pre-Prompt: „Ich habe eine Word-Datei hochgeladen… Verwende diese als Vorlage, um
einen neuen, detaillierten Therapieplan für meine:n Patient:in zu erstellen…“

ε. Analyse klinischer Fallstudien & Erstellung von Prompts

ζ. Algorithmen zur Patient:innen-Clustering (k-means, hierarchisches Clustering usw.)

η. Software für Patient:innen-Clustering

θ. Genetische Algorithmen (Elternauswahl, Crossover, Mutation)

α) Nutzung medizinischer Datenbanken (z. B. DrugBank, Galinos, ProteinBank)
zur Erkennung unerwünschter Arzneimittelwechselwirkungen bei Mehrfachverordnungen
i. Tool zur Erkennung unerwünschter Arzneimittelwechselwirkungen
ii. Allergieprüfung (Arzneimittelallergien & Kreuzsensitivitäten)
iii. Unterstützung ärztlicher Diagnosen mit verlässlichen Online-Informationen
iv. Evidenzbasierter, individueller Therapieplan

β) Nutzung von ChatGPT 5 zur Erkennung unerwünschter Arzneimittelwechselwirkungen
bei gleichzeitiger Verordnung mehrerer Medikamente
Beispiel für ein ChatGPT-5-Prompt: „…Basierend auf der beigefügten Medikamentenliste aus dem Entlassungsbericht des/der Patient:in, identifiziere mögliche unerwünschte Wechselwirkungen zwischen den Medikamenten…“
ii. KI-Software mit PCA zur Aufdeckung latenter Zusammenhänge zwischen Nebenwirkungen
iii. Demo: Stanford STORM zur automatischen Erstellung eines Review-Artikels

a)Nutzung von 3D Slicer zur Verarbeitung bildgebender Verfahren
i) Schritt-für-Schritt-Konvertierung von DICOM-Bilddateien in PNG-/JPEG-Formate
ii) Schritt-für-Schritt-Zusammenführung mehrerer DICOM-Bilddateien zu einem PNG-Bild oder einem MPEG-4-Video

b)Nutzung von ChatGPT-5 zur Interpretation/Auswertung bildgebender Verfahren:
i. Röntgenaufnahmen (X-Rays)
ii. Computertomographie (CT-Scan)
iii. Magnetresonanztomographie (MRT)
iv. Demo: Klassifizierung von Patient:innen in COVID / Nicht-COVID basierend auf CT-Bildgebung

c)Nutzung von ChatGPT-5 zur Interpretation/Auswertung anderer komplexer medizinischer Signale (EKGs, EEGs, Audiogramme usw.)
i. Elektrokardiogramm (EKG)
ii.Weitere komplexe medizinische Signale (EEG, Audiogramm usw.)

α) Zusammenfassung umfangreicher elektronischer Patientenakten: i. Demografische Daten
ii. Aufnahmedatum/Besuchsdatum und Symptome
iii. Medikamente & Allergien
v. Soziale und familiäre Anamnese
vi. Körperliche Untersuchung, Laborergebnisse
vii. Bewertung & Therapieplan

β) ChatGPT 5 zur Erstellung detaillierter Therapiepläne mit fundierter Begründung: i. Medikamentenliste mit Dosierung/Dauer
ii. Anweisungen für die häusliche Pflege (Ernährung, Aktivitäten, Vorsichtsmaßnahmen)
iii. Folgeuntersuchungen/Monitoring

γ) Demonstration der Möglichkeiten von Gemini, DeepSeek, MS Copilot und Claude
Demo: Vorhersage der optimalen Insulindosis mit Deep Reinforcement Learning

α) Vorstellung mehrerer Beispiele für KI-gestütztes klinisches Denken mit Google Med Gemini
i. Med Questions & Answers Benchmark – US Medical License Exam (USMLE)

Fallbeispiel: 45-jähriger Patient mit Dyspnoe, Müdigkeit und gelegentlichen Schmerzen über 3 Monate. Vorgeschichte: Bluthochdruck, Diabetes. HR: 95 bpm, RR: 140/90 mmHg, basale Rasselgeräusche. BNP erhöht, leichte Nierenfunktionsstörung. Mögliche Diagnose? Empfohlene Untersuchungen: Echokardiogramm, Thorax-Röntgen.
ii. Med Gemini: Endantwort mit klinischem Entscheidungsweg (Advanced Clinical Reasoning)

β) Nutzung biomedizinischer Datenbanken:
i. PubMed zur Recherche medizinischer Fachliteratur
ii. Entrez für biologische und genomische Patient:innendaten
iii. KEGG für Pathways und Krankheitsmechanismen

a. Präzisionsmedizin & personalisierte Medizin

b. Anwendungen der Telemedizin

c. Sprach-zu-Text (z. B. Whisper) zur Reduzierung der Dokumentationszeit in der Anamneseerhebung

d. Apps für Diabetiker:innen: Diabetes, GlucoCalc, FreeStyle LibreLink, ChatGluco

e. Bewertungsmetriken für medizinische Vorhersagemodelle:
i. Confusion Matrix ii. Precision, Recall, ROC, NDCG iii. MAE, RMSE zur Dosisvorhersage f. Erklärbarkeit in der Medizin

g. Demo der innovativen medizinischen KI-Plattform Perplexity

h. Demo der KI-Plattform NotebookLM von Google

a. Digitalisierung der Vitalzeichen von Patient:innen (Blutdruck, Herzfrequenz, EKG, CGM, usw.)

b. Echtzeitwarnungen an Ärzt:innen über den Zustand ihrer Patient:innen und Analyse polymorpher medizinischer Daten

c. Wearables: Galaxy Ring (Samsung), Medtronic CGM usw.

d. Weitere smarte medizinische Geräte

e. KI-Anwendung zur Analyse von Entlassungsberichten (patients' progress notes)

f. ChatGPT & Retrieval-Augmented Generation (RAG)

g. Demo: Übertragung der Vitaldaten von Patient:innen an das ChatGPT-API zur Bewertung
und Generierung eines passenden Therapieplans