Dieses Modul führt die Lernenden in die Grundlagen der Hypothesentests im Kontext der klinischen Analytik ein. Sie lernen, wie man statistische Hypothesen formuliert, p-Werte und Konfidenzintervalle interpretiert und die Rolle von Fehlerquoten und statistischer Aussagekraft versteht. Aufbauend auf diesen Grundlagen behandelt das Modul weit verbreitete Hypothesentests zum Vergleich klinischer Gruppen, darunter t-Tests, ANOVA und gängige nichtparametrische Alternativen. Die Lernenden befassen sich zudem mit Assoziationstests für kategoriale Daten und Korrelationsanalysen für kontinuierliche Variablen. Anhand praktischer klinischer Beispiele wie Behandlungsvergleichen, Analysen zur Krankheitsprävalenz und Zusammenhängen zwischen Variablen vermittelt dieses Modul den Lernenden die statistischen Werkzeuge, die erforderlich sind, um zu beurteilen, ob beobachtete Unterschiede oder Muster in Gesundheitsdaten aussagekräftig und zuverlässig sind.

Dieses Modul führt die Teilnehmer in grundlegende Techniken der Regression und der prädiktiven Modellierung ein, die in der Gesundheitsanalytik weit verbreitet sind. Die Teilnehmer beginnen mit der linearen Regression, um kontinuierliche klinische Ergebnisse wie die Dauer des Krankenhausaufenthalts, Laborwerte und Gesundheitskosten zu analysieren. Anschließend lernen sie die logistische Regression kennen, um binäre klinische Ereignisse zu modellieren und wichtige Bewertungskennzahlen wie Odds Ratios und ROC-Kurven zu interpretieren. Aufbauend auf diesen Grundlagen behandelt das Modul die Kernprinzipien des maschinellen Lernens und der überwachten Modellierung, darunter Entscheidungsbäume, Ensemble-Methoden und die Leistungsvalidierung. Die Lernenden befassen sich zudem mit Fragen der Modellfairness, des Überanpassens sowie mit den für das Gesundheitswesen spezifischen Herausforderungen bei der Modellimplementierung. Am Ende des Moduls sind sie in der Lage, Vorhersagemodelle zu erstellen, zu bewerten und zu interpretieren, die die klinische und betriebliche Entscheidungsfindung unterstützen.

In diesem Abschlussmodul wenden die Lernenden alle im Laufe des Kurses erworbenen Fähigkeiten an, um eine umfassende Analyse eines Datensatzes aus dem Gesundheitswesen durchzuführen. Die Teilnehmer bereinigen und bereiten Daten auf, berechnen deskriptive Statistiken, führen Hypothesentests durch und erstellen Regressions- und Machine-Learning-Modelle, um umsetzbare klinische Erkenntnisse zu gewinnen. Das Abschlussprojekt legt den Schwerpunkt nicht nur auf technische Genauigkeit, sondern auch auf klinische Interpretation, Kommunikation und ethische Überlegungen. Mit dem Abschluss dieses Moduls weisen die Lernenden ihre Fähigkeit nach, reale Daten aus dem Gesundheitswesen selbstständig zu analysieren und evidenzbasierte Empfehlungen zu erarbeiten.