Abschluss- und Doktorarbeiten

• Prävalenzschätzung auf Basis von Depressionsscreenern Kurzfragebögen zur Erfassung von Depressivität sind in der Forschung weit verbreitet, haben aber nur eine limitierte diagnostische Treffsicherheit. Wir entwickeln Methoden, um diese Limitation in statistischen Analysen zu berücksichtigen (https://pubmed.ncbi.nlm.nih.gov/37024144/). Ziel der Arbeit soll es sein, die Anwendbarkeit dieser Methoden in Meta-Analysen zur Prävalenz von Depressionen zu explorieren. Auch eine Zitationsanalyse ist möglich, um zu prüfen, inwieweit die Limitationen des Einsatzes von Screenern zur Prävalenzschätzung in der wissenschaftlichen Literatur adäquat berichtet werden. 
• Zitationsanalyse bezüglich wissenschaftlicher Terminologie Die Rate positiver Screeningtests für Depressionen wird häufig als "Prävalenz" berichtet - das ist aber aufgrund der imperfekten diagnostischen Treffsicherheit nicht korrekt und überschätzt die wahre Prävalenz deutlich (https://pubmed.ncbi.nlm.nih.gov/32105798/). In dieser Arbeit soll untersucht werden, ob diese Limitationen des Einsatzes von Screenern zur Prävalenzschätzung in der wissenschaftlichen Literatur adäquat berichtet werden (Fischer).
• Modellierung von Referenzdaten für das PROMIS Profile 29 Referenzdaten aus der Allgemeinbevölkerung helfen, Daten aus Studien und der klinischen Praxis besser zu verstehen und bewerten zu können. Wir nutzen Quantilregressionen, um diese Daten auf Basis verschiedener Prädiktoren wie Alter und Geschlecht zu modellieren (https://pubmed.ncbi.nlm.nih.gov/37646744/). Ziel der Arbeit ist es, Daten aus einem Survey in der älteren Allgemeinbevölkerung auszuwerten und aufzubereiten (Fischer).  
• Vergleich von computer-adaptiven Tests (CATs) mit und ohne Content-Balancing CATs sind moderne Fragebögen, die Items auf Basis der schon erhobenen Informationen auswählen. Ihre Validität hängt insbesondere von der adäquaten  Berücksichtigung verschiedener Untergruppen von Items ab (z.B. sollten Fragen zur Funktion der oberen und unteren Extremitäten bei der Erfassung der körperlichen Funktionsfähigkeit ausgeglichen sein https://pubmed.ncbi.nlm.nih.gov/32781113/). Ziel der Arbeit ist es, in Simulationsstudien den Effekt von Content-Balancing zu beschreiben, z.B. hinsichtlich Anzahl der Items und Präzision des Ergebnisses (Liegl, Fischer).
• Erfassung von Patient-Reported Outcomes mit Large Language Models LLMs bieten Perspektiven, die Erfassung von PROs zu revolutionieren. Wir möchten lernen, wie wir etablierte Modelle der patientenberichteten Gesundheit in LLMs abbilden können, um PROs in neuen Formaten (z.B. Chatbot o.ä.) erheben zu können. Ziel der Arbeit ist es, Ansatzpunkte zu entwickeln, wie LLMs für die Erfassung von PROs genutzt werden können (Fischer).

Wir stehen auch Ihren eigenen Forschungsideen offen gegenüber.

Wir erwarten Neugier und Lust an Herausforderungen, eine sorgfältige und eigenständige Arbeitsweise, ein gutes Verständnis für statistische Zusammenhänge und Forschungsmethoden, sowie die Möglichkeit einer kontinuierliche und regelmäßigen Durchführung. Wir bieten die Mitarbeit in einem interdisziplinären Team von Ärzt:innen, Psycholog:innen und Gesundheitswissenschaftler:innen, eine enge fachliche Betreuung und die Möglichkeit, an aktuellen Fragestellungen mitzuwirken, die direkte Relevanz für klinische  Forschung und Anwendung haben. 

Wenn Sie sich dafür interessieren, Ihre Abschluss- oder Doktorarbeit im CPCOR zu verfassen, schreiben Sie bitte an felix.fischer(at)charite.de und beschreiben Sie kurz, mit welchem konkreten Themengebiet sie sich beschäftigen wollen, Ihre bisherige Forschungserfahrung und welche spezifischen Fähigkeiten und Kenntnisse Sie mitbringen. 

Wir freuen uns auf Ihre Email!