Universität Basel
Basel
PhD-Stelle im Bereich Maschinelles Lernen für die Gesundheit der Frühgeborenenlunge (100%)
- 29 Oktober 2026
- 100%
- 4000 Basel
Über den Job
Department für Biomedizinische Technik (DBE), Universität Basel
Gruppe: Analytics & Informatics for Child Health (AICH) in Zusammenarbeit mit dem Universitäts-Kinderspital Basel (UKBB)
Beginn: November 2026 oder nach Vereinbarung
Dauer: 4 Jahre
Über uns
Die Gruppe Analytics & Informatics for Child Health (AICH) entwickelt KI/ML-Methoden, digitale Werkzeuge und sichere Datenpipelines zur Förderung der pädiatrischen Gesundheitsversorgung. Wir arbeiten an der Schnittstelle von klinischer Medizin, maschinellem Lernen und datenintensiver Forschung und kooperieren eng mit Krankenhäusern, klinischen IT-Teams und Forschungspartnern der Universität Basel.
Das Projekt
Frühgeburt betrifft jährlich rund 14 Millionen Säuglinge und ist ein wesentlicher Risikofaktor für lebenslange Atemwegserkrankungen. Aktuelle Definitionen der bronchopulmonalen Dysplasie (BPD) sind kategorial und sagen Langzeitergebnisse schlecht voraus. Robuste Marker im frühen Leben zur Identifikation von Säuglingen mit dem höchsten Risiko für frühgeburtsbedingte Lungenerkrankungen (PLD) fehlen.
Dieses Projekt nutzt die Basel-Bern Infant Lung Development (BILD) Kohorte, die Lungenfunktion von Säuglingen, Atemmetabolomik, oxidative Stressmarker im Urin, klinische Anamnese, hochauflösende Luftverschmutzungsexposition und longitudinale Lungenfunktionsverläufe bis zur Adoleszenz kombiniert. Ziel ist ein kontinuierliches, physiologisch basiertes Risikostratifizierungsmodell zur Ablösung kategorialer BPD-Definitionen und zur Information eines respiratorischen Nachsorgeprogramms für Frühgeborene in der Schweiz.
Die Doktorandin/der Doktorand wird die maschinelle Lernkomponente leiten: Integration klinischer, physiologischer, umweltbezogener und Biomarkerdaten zur Identifikation von frühkindlichen Signaturen, Ätiotypen und behandelbaren Merkmalen von PLD, mit externer Validierung in Kohorten aus Italien und Australien.
Gruppe: Analytics & Informatics for Child Health (AICH) in Zusammenarbeit mit dem Universitäts-Kinderspital Basel (UKBB)
Beginn: November 2026 oder nach Vereinbarung
Dauer: 4 Jahre
Über uns
Die Gruppe Analytics & Informatics for Child Health (AICH) entwickelt KI/ML-Methoden, digitale Werkzeuge und sichere Datenpipelines zur Förderung der pädiatrischen Gesundheitsversorgung. Wir arbeiten an der Schnittstelle von klinischer Medizin, maschinellem Lernen und datenintensiver Forschung und kooperieren eng mit Krankenhäusern, klinischen IT-Teams und Forschungspartnern der Universität Basel.
Das Projekt
Frühgeburt betrifft jährlich rund 14 Millionen Säuglinge und ist ein wesentlicher Risikofaktor für lebenslange Atemwegserkrankungen. Aktuelle Definitionen der bronchopulmonalen Dysplasie (BPD) sind kategorial und sagen Langzeitergebnisse schlecht voraus. Robuste Marker im frühen Leben zur Identifikation von Säuglingen mit dem höchsten Risiko für frühgeburtsbedingte Lungenerkrankungen (PLD) fehlen.
Dieses Projekt nutzt die Basel-Bern Infant Lung Development (BILD) Kohorte, die Lungenfunktion von Säuglingen, Atemmetabolomik, oxidative Stressmarker im Urin, klinische Anamnese, hochauflösende Luftverschmutzungsexposition und longitudinale Lungenfunktionsverläufe bis zur Adoleszenz kombiniert. Ziel ist ein kontinuierliches, physiologisch basiertes Risikostratifizierungsmodell zur Ablösung kategorialer BPD-Definitionen und zur Information eines respiratorischen Nachsorgeprogramms für Frühgeborene in der Schweiz.
Die Doktorandin/der Doktorand wird die maschinelle Lernkomponente leiten: Integration klinischer, physiologischer, umweltbezogener und Biomarkerdaten zur Identifikation von frühkindlichen Signaturen, Ätiotypen und behandelbaren Merkmalen von PLD, mit externer Validierung in Kohorten aus Italien und Australien.
Ihre Position
- Entwicklung und Anwendung multimodaler ML-Methoden zur Integration klinischer, Atemmetabolomik-, Biomarker-, Lungenfunktions- und Umweltexpositionsdaten.
- Modellierung von Lungenfunktionsverläufen von der Säuglingszeit bis zur Adoleszenz, mit Fokus auf moderat bis spät Frühgeborene.
- Durchführung externer Validierungen mit verschiedenen Kohorten und Bewertung der Generalisierbarkeit.
- Publikation in ML- und klinischen/respiratorischen Fachzeitschriften; Präsentation auf internationalen Konferenzen.
- Enge Zusammenarbeit mit Klinikern, Epidemiologen und Expositionsexperten; Beitrag zu reproduzierbarem, gut dokumentiertem Code.
Ihr Profil
- MSc in Informatik, Data Science, Statistik, Biomedizinischer Technik oder einem verwandten Fachgebiet.
- Solide Programmierkenntnisse in Python; vertraut mit ML-Frameworks (PyTorch, scikit-learn) und statistischer Modellierung.
- Neugier darauf, wie das frühe Leben die lebenslange Gesundheit prägt, und Motivation, ML zu entwickeln, die Kliniker tatsächlich nutzen.
- Erfahrung mit tabellarischen oder longitudinalen Daten, fehlenden Daten und Modellvalidierung. Erfahrung mit kleinen Stichproben oder klinischen/epidemiologischen Daten ist ein grosser Vorteil.
- Interesse an interpretierbarem ML, Clustering/Phänotypisierung oder Zeitreihen-/Trajektorienmodellierung.
- Interesse an klinischer Forschung sowie respiratorischer oder pädiatrischer Gesundheit; kein medizinischer Hintergrund erforderlich.
- Gewissenhaftigkeit, Selbstständigkeit und Fähigkeit zur Kommunikation mit nicht-technischen Mitarbeitenden.
- Fließend in Englisch (mündlich und schriftlich). Deutschkenntnisse sind von Vorteil, aber nicht zwingend.
Wir bieten Ihnen
- Eine Promotion an der Schnittstelle von maschinellem Lernen, klinischer Medizin und Umweltgesundheit mit direktem translationalem Impact.
- Zugang zu einer einzigartigen longitudinalen Geburtskohorte von der Säuglingszeit bis zur Adoleszenz sowie internationalen Validierungskohorten.
- Enge Betreuung und Zusammenarbeit mit klinischen und technischen Expertinnen und Experten.
- Zugang zu modernster HPC-Infrastruktur.
- Einschreibung in die Graduate School Medical and Health Sciences (GMHS) mit Trainings- und Konferenzmöglichkeiten.
- Unterstützende Teamkultur und Anstellungsbedingungen gemäss Universität Basel.
Bewerbung / Kontakt
Bitte reichen Sie folgende Unterlagen als eine einzige PDF-Datei ein:
Bewerbungen sind über das Bewerbungsportal der Universität Basel einzureichen.
Bitte reichen Sie folgende Unterlagen als eine einzige PDF-Datei ein:
- Lebenslauf
- Anschreiben (max. 1 Seite) mit Ihrer Motivation und relevanter Erfahrung
- MSc- und BSc-Zeugnisse
- Kontaktinformationen von 2-3 Referenzen
- (Optional) Links zu GitHub, Abschlussarbeit oder früheren technischen Arbeiten
Bewerbungen sind über das Bewerbungsportal der Universität Basel einzureichen.
Universität Basel
4000 Basel
4000 Basel
