PhD Position in Machine Learning Preterm Lung Health

Position: PhD Position in Machine Learning for Preterm Lung Health

PhD-Position in Maschinelles Lernen für die Lungengesundheit von Frühgeborenen.

Aufgaben

• Entwicklung multimodaler ML-Methoden zur Datenintegration.
• Modellierung von Lungenfunktionstrajektorien von Kleinkindern.
• Enge Zusammenarbeit mit Kliniker:innen und Fachleuten.

Fähigkeiten

• MSc in Informatik, Datenwissenschaft oder verwandten Bereichen.
• Programmierung in Python und ML-Frameworks.
• Interesse an klinischer Forschung und Atemwegsgesundheit.

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. 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…