Wir verwenden Cookies, um Ihnen ein optimales Webseiten-Erlebnis zu bieten. Dazu zählen Cookies, die für den Betrieb der Seite notwendig sind, sowie solche, die lediglich zu anonymen Statistikzwecken, für Komforteinstellungen oder zur Anzeige personalisierter Inhalte genutzt werden. Sie können selbst entscheiden, welche Kategorien Sie zulassen möchten. Bitte beachten Sie, dass auf Basis Ihrer Einstellungen womöglich nicht mehr alle Funktionalitäten der Seite zur Verfügung stehen. Weitere Informationen finden Sie in unseren Datenschutzhinweisen .

Essentiell aktivieren/deaktivieren

Diese Cookies sind für die Funktionalität unserer Website erforderlich und können nicht deaktiviert werden.

Name	Webedition CMS
Zweck	Dieses Cookie wird vom CMS (Content Management System) Webedition für die unverwechselbare Identifizierung eines Anwenders gesetzt. Es bietet dem Anwender bessere Bedienerführung, z.B. Speicherung von Sucheinstellungen oder Formulardaten. Typischerweise wird dieses Cookie beim Schließen des Browsers gelöscht.
Name	econda
Zweck	Session-Cookie für die Webanalyse Software econda. Diese läuft im Modus „Anonymisiertes Messen“.

Statistik aktivieren/deaktivieren

Diese Cookies helfen uns zu verstehen, wie Besucher mit unserer Webseite interagieren, indem Informationen anonym gesammelt und analysiert werden. Je nach Tool werden ein oder mehrere Cookies des Anbieters gesetzt.

Name	econda
Zweck	Measure with Visitor Cookie emos_jcvid

Externe Medien aktivieren/deaktivieren

Inhalte von externen Medienplattformen werden standardmäßig blockiert. Wenn Cookies von externen Medien akzeptiert werden, bedarf der Zugriff auf diese Inhalte keiner manuellen Zustimmung mehr.

Name	YouTube
Zweck	Zeige YouTube Inhalte
Name	Twitter
Zweck	Twitter Feeds aktivieren

Research

Digital Medicine and Real-World Machine Learning Applications

Join the talk here

Abstract

In medical research a common approach is from bench to beside – translate insights gained in research experiments step by step into the clinic, driven by the goal to improve treatment of patients. In an analogous way, we can bring machine learning algorithms to the point-of-care, i.e., integrating them into clinical practice. Where are we in the process of “bits to bedside” and what aspects should we pay attention to?

Biosketch Jens Kleesiek

Jens Kleesiek is full professor at the Institute for Artificial Intelligence in Medicine (IKIM), University Medicine Essen. Focus of his research group lies on the application of unsupervised learning paradigms for recognition of oncologically relevant patterns in large and complex data and the integration of multimodal data sources to enhance the decision-making process at the point of care.
After studying medicine in Heidelberg and bioinformatics in Hamburg, he did his PhD in computer science in 2012. After training at the University Hospital Heidelberg and at the German Cancer Research Center (DKFZ) in Heidelberg he received his specialization in radiology. Prior to his appointment in Essen (2020), he led the computational radiology group at DKFZ, was head of research and development at Gotthardt Healthgroup AG and managing director of the Mediteo GmbH.