Promovendus cyber security/machine learning modellen voor cardiovasculaire aandoeningen

Als promovendus ga je werken binnen een project dat gericht is op cyber security en machine learning bij het modelleren van cardiovasculaire ziekte-uitkomsten. Het project wordt uitgevoerd in samenwerking met onder andere het UMCU, Amsterdam UMC, en TNO. Jouw standplaats is Erasmus MC.

Het project is gericht op het modelleren van cardiovasculaire ziekte-uitkomsten op basis van data uit de drie UMC's. Hierbij wordt gebruik gemaakt van multi-party computation en federated learning. Deze technieken maken het mogelijk om op een veilige manier met meerdere partijen gezamenlijk aan data te rekenen. Tegelijkertijd is er de gelegenheid om te werken aan andere lopende projecten op machine learning gebied. Het onderzoek moet leiden tot het schrijven van een proefschrift.

• Je hebt een Master in Gezondheidswetenschappen, Epidemiologie, Statistiek, Econometrie, Bio-informatica, Informatica of een aanverwante discipline.
• Je hebt ervaring met programmeren (bijvoorbeeld R, Python).
• Je hebt een goede beheersing van het Nederlands.
• Je hebt uitstekende communicatieve, organisatorische en analytische en schijf- vaardigheden.
• Je werkt nauwkeurig en bent gemotiveerd om werk van hoge kwaliteit af te leveren.
• Je vindt het plezierig om zowel zelfstandig als in teamverband te werken.

Als je aantoonbare affiniteit hebt met geneeskunde of biologie dan is dat een pluspunt. Net als een goede beheersing van de Engelse taal.

Je gaat werken binnen de unit Klinische Epidemiologie van de afdeling Cardiologie. De afdeling Cardiologie is, net als de afdelingen Thoraxchirurgie en Longziekten, onderdeel van het bedrijfsonderdeel (thema) Thorax. De Klinische Epidemiologie bestaat uit promovendi, programmeurs en onderzoeksmedewerkers die klinisch epidemiologisch onderzoek doen naar verscheidene cardiovasculaire ziektebeelden. Waaronder hartfalen, acuut coronair syndroom en perifeer vaatlijden. Veel van de research is gericht op het verbeteren van de prognostische methoden.