Institut für Epidemiologie, Sozialmedizin und Gesundheitssystemforschung

Wissenschaftliche Mitarbeiterin (w/d/m) Projekt ROKAVI Risikoprädiktion

Das Institut für Epidemiologie, Sozialmedizin und Gesundheitssystemforschung an der MHH beschäftigt sich mit bevölkerungsbezogener Public‐Health‐Forschung, evidenzbasierter Versorgung und der Analyse von Gesundheitssystemen. Es ist interdisziplinär ausgerichtet und engagiert in Lehre, Forschung und Praxis. Der Schwerpunkt Gesundheitsökonomie untersucht die Kosten, Effektivität und Kosteneffektivität gesundheitlicher Maßnahmen. Themen sind u. a. Versorgungsforschung, gesundheitsökonomische Evaluationen und Präferenzforschung.

Wir suchen eine:n Doktorand:in für die Mitarbeit im Projekt ROKAVI (Risikoprädiktion in der Onkologie: Entwicklung eines KI-Algorithmus, Versichertenpräferenzen und ethische Implikationen). Ziel des Projekts ist die Entwicklung und Erprobung von Algorithmen zur Vorhersage von Krebserkrankungen auf Grundlage von Routinedaten gesetzlicher Krankenkassen. Neben der statistischen Modellierung werden auch die ethischen Implikationen, die Präferenzen von Versicherten sowie Nutzen- und Risikoabwägungen aus Sicht der Krankenkassen untersucht. Damit leistet ROKAVI einen wichtigen Beitrag zu einer verantwortungsvollen und praxisnahen Nutzung von Prädiktionsmodellen in der Krebsfrüherkennung.

Im Rahmen der Promotion wirkt der/die Doktorand:in an der konzeptionellen, methodischen und analytischen Umsetzung des Projekts mit. Der Fokus liegt auf der Entwicklung und Validierung eines statistischen Algorithmus zur Risikoprädiktion. Die Stelle ist für drei Jahre befristet und in Teilzeit (26,95 Wochenstunden) zu besetzen.
Was wir Ihnen bieten
  • Je nach persönlicher Qualifizierung ist eine Vergütung bis zur Entgeltgruppe E 13 gemäß TV-L möglich mit den Vorteilen des öffentlichen Dienstes (z.B. betriebliche Altersvorsorge und Zusatzversicherung durch VBL)
  • Eine reizvolle Tätigkeit an der Schnittstelle von Forschung, Versorgung und Wissenschaftsmanagement in einem wachsenden Institut 
  • Enges Mentoring und vielfältige Weiterbildungsmöglichkeiten
  • Mitarbeit in einem gesellschaftlich relevanten, aktuellen Forschungsprojekt
  • Sehr gute Anbindung an den den öffentlichen Nahverkehr sowie die Möglichkeit zum Dienstrad Leasing
  • Ein ausgezeichnetes Angebot an Sport-, Beratungs- und Vorsorgeprogrammen – weil Ihre Gesundheit uns am Herzen liegt

Ihre Aufgaben
  • Konzeption, Implementierung und Validierung eines statistischen Referenzmodells zur Vorhersage von Krebserkrankungen
  • Durchführung und Dokumentation quantitativer Analysen auf Basis von Routinedaten gesetzlicher Krankenkassen
  • Vergleich der Modellgüte mit KI-basierten Verfahren des Projektpartners
  • Verfassen wissenschaftlicher Publikationen und Vorbereitung von Konferenzbeiträgen
  • Präsentation der Ergebnisse auf nationalen und internationalen Fachtagungen sowie allgemeinverständliche Aufbereitung für die Öffentlichkeit
  • Enge Zusammenarbeit mit Wissenschaftler:innen des Instituts und des Projektkonsortiums
  • Beteiligung an der Lehre (z. B. Durchführung von Lehrveranstaltungen im eigenen Themenfeld)

Ihr Profil 
  • Abgeschlossenes Hochschulstudium (Master/Diplom/Magister) in Statistik, Mathematik, Public Health, Gesundheitsökonomie oder einer verwandten Disziplin
  • Sehr gute Kenntnisse in quantitativen Methoden der Versorgungsforschung
  • Fundierte statistische Kenntnisse sowie praktische Erfahrung mit Statistiksoftware (z. B. R, Stata, SPSS)
  • Gute Deutsch- und Englischkenntnisse in Wort und Schrift
  • Fähigkeit zu interdisziplinärer Zusammenarbeit und Interesse an praxisnaher Forschung

Sie haben vorab Fragen?

Dr. Kathrin Krüger
0511 532 5416

Bewerben Sie sich jetzt

Kennziffer 3580
Bewerbungsfrist: 04.12.2025
Karriere Familienservice FIT FOR WORK AND LIFE
Die MHH ist zertifizierte familiengerechte Hochschule und setzt sich für die Förderung von Frauen im Berufsleben ein. Bewerbungen von Frauen sind besonders erwünscht. Schwerbehinderte Bewerberinnen und Bewerber werden bei gleicher Qualifikation bevorzugt berücksichtigt.