Doktorand (m/w/d)

Wir suchen für das vom BMFTR geförderte Forschungsprojekt „EQUICOR - Geschlechtersensible Risikovorhersage und Identifikation von Unterdiagnostik ischämischer Herzkrankheiten mittels erklärbarer KI“ am universitären Campus der MSH Medical School Hamburg in der Hafencity eine wissenschaftliche Mitarbeiter:in (w/m/d) mit Schwerpunkt Data Science und Machine Learning für eine 100%-Stelle. Wenn gewünscht ist ein geringerer Stellenumfang ebenfalls möglich.

Das interdisziplinäre Forschungsprojekt EQUICOR untersucht anhand der Daten der NAKO Gesundheitsstudie mit rund 205.000 Teilnehmenden geschlechtsspezifische Unterschiede in der Risikovorhersage und Unterdiagnostik ischämischer Herzkrankheiten. Hierbei werden insbesondere frauenspezifischen, klinische und psychosoziale Risikofaktoren berücksichtigt. Ein besonderer Schwerpunkt liegt auf der Entwicklung erklärbarer KI-Modelle und der Untersuchung geschlechtsspezifischer Verzerrungen (Algorithmic Fairness).

Die Stelle ist der Arbeitsgruppe Interdisziplinäre Trauma- und Stressforschung (Leitung: Prof. Dr. Annett Lotzin, Professur für Klinische Psychologie und Psychotherapie) im Forschungscluster Klinische Psychologie, Psychiatrie und Psychotherapie zugeordnet. Die Forschungsschwerpunkte umfassen psychische und gesundheitliche Folgen traumatischer und belastender Lebensereignisse sowie psychosoziale Risiko- und Schutzfaktoren psychischer Gesundheit. Methodische Schwerpunkte liegen auf der Analyse großer longitudinaler Datensätze und dem Einsatz moderner statistischer Verfahren und Machine-Learning-Methoden zur Risikoprädiktion.

Die MSH Medical School Hamburg - University of Applied Sciences and Medical University ist eine private, staatlich anerkannte Hochschule mit Sitz in der modernen Hamburger Hafencity. Sie wurde 2009 gegründet und bietet an vier Fakultäten eine Vielzahl an Bachelor- und Masterstudiengängen sowie den Staatsexamensstudiengang Humanmedizin an. Die Arbeit an der MSH ist bestimmt durch interdisziplinäres, professionelles und komplexes Denken und Handeln, das Streben nach Innovation und Qualität sowie die Fokussierung auf Motivation und Talent.

Aufbereitung und Analyse großer bevölkerungsbasierter und longitudinaler Datensätze

Eigenständige Entwicklung und Validierung statistischer Vorhersagemodelle und Machine-Learning-Modelle (insbesondere Elastic Net und XGBoost)

Durchführung geschlechtsspezifischer Risikoprädiktionsanalysen unter Berücksichtigung klinischer und psychosozialer Risikofaktoren

Untersuchung von Modellgüte, Fairness und Erklärbarkeit (z. B. SHAP)

Durchführung von Sensitivitätsanalysen und Anwendung von Verfahren zum Umgang mit fehlenden Daten

Sicherstellung einer transparenten Dokumentation und Reproduzierbarkeit der Analysen

Wissenschaftliche Interpretation der Ergebnisse und Mitarbeit an internationalen Publikationen

Zusammenarbeit in einem interdisziplinären Forschungsteam aus Psychologie, Medizin und Datenwissenschaften

Mitwirkung an der Entwicklung neuer Forschungsprojekte und Drittmittelanträge

Sehr guter Hochschulabschluss (Master oder Diplom) in Data Science, Statistik, Informatik, Biostatistik, Epidemiologie, Psychologie oder einem verwandten Fach

Bereich statistischer Datenanalyse und Machine Learning

Sehr gute Kenntnisse in statistischen Datenanalysemethoden und Machine Learning

Sehr gute Programmierkenntnisse in R

Fundierte Erfahrungen mit der Entwicklung und Validierung prädiktiver Modelle

Idealerweise Kenntnisse in Explainable AI, Algorithmic Fairness und der Analyse großer Kohortendatensätze

Vorerfahrungen in der Durchführung wissenschaftlicher Forschungsprojekte

Sehr gute Englischkenntnisse

Sehr gute analytische Fähigkeiten und eine selbstständige, strukturierte Arbeitsweise

Hohes Engagement, Zuverlässigkeit und gute Teamfähigkeit

Eine 50-100-%-Stelle als wissenschaftliche Mitarbeiter:in am Standort Hamburg in der HafenCity mit Vergütung in Anlehnung an TV-L E13, zunächst befristet auf 24 Monate

Eine intere...

We show an excerpt and a link, and the full text when the source allows it. Brands and logos shown belong to their owners.

Source: Statistisches Bundesamt (Destatis), table; dl-de/by-2-0; StarIn's calculation

Posted Nov 01, 2026