Informatyka w medycynie to jeden z tych kierunków, gdzie promotor rzuca pytanie „co chcesz badać?” i student staje jak słup. Za dużo możliwości. Systemy HIS, EHR, FHIR, AI w radiologii, IoMT, mHealth, telemedycyna. Każde z tych haseł to osobna dziedzina z własnym ekosystemem standardów, przepisów i problemów badawczych.
Ten poradnik powstał dla osób, które wiedzą, co chcą pisać ogólnie, ale nie wiedzą, jak to zamienić w pracę magisterską z konkretną tezą, metodologią i strukturą. Znajdziesz tu gotowe tematy, przegląd metod badawczych i wskazówki, jak nie utknąć na etapie „zbierania literatury przez pół roku”.
Czym różni się ta praca od zwykłej pracy z informatyki
Praca magisterska z informatyki w medycynie ma jeden specyficzny problem: musisz rozmawiać z dwiema różnymi społecznościami naraz. Informatycy patrzą na algorytmy, architekturę systemu i testy wydajnościowe. Klinicyści patrzą na użyteczność, bezpieczeństwo pacjenta i zgodność z procedurami medycznymi. Twoja praca musi mieć sens dla obu.
To nie jest wada tego kierunku. To jest właśnie to, co odróżnia dobrego specjalistę od osoby, która zna tylko jeden z tych języków. Ale konsekwencja jest taka, że temat i metodologia muszą być dobrane bardzo precyzyjnie.
Jeśli piszesz o systemie HIS, nie wystarczy napisać „zaimplementowałem moduł obsługi skierowań”. Musisz pokazać, jak ten moduł wpasowuje się w standard HL7 FHIR, jak wpływa na workflow personelu medycznego i jakie ryzyka bezpieczeństwa generuje.
Tematy, które faktycznie przechodzą przez komisję
Poniżej lista tematów konkretnych, z których każdy da się obronić przy odpowiedniej metodologii.
Wdrożenie FHIR w polskim szpitalu
FHIR (Fast Healthcare Interoperability Resources) to standard HL7 R4 i R5 do wymiany danych medycznych przez API REST. W Polsce większość szpitali nadal używa starszych systemów z własnym formatem wymiany danych lub IHE XDS.
Temat pracy: „Analiza interoperacyjności systemu HIS X z wymaganiami standardu HL7 FHIR R4 na przykładzie szpitala powiatowego”. Zakres: inwentaryzacja obecnych zasobów informacyjnych (zasoby FHIR: Patient, Encounter, Observation, MedicationRequest), analiza luk, projekt warstwy integracyjnej.
Metodologia: testowanie FHIR API (Postman + Synthea jako generator danych testowych), analiza zgodności z profilem PL Core (jeśli wydział wymaga kontekstu krajowego), ocena SUS (System Usability Scale) dla personelu.
Predykcja sepsy na podstawie danych EHR
Sepsa zabija ok. 11 mln ludzi rocznie na świecie. Wczesne wykrycie o każdą godzinę poprawia rokowania. Stąd duże zainteresowanie badawcze modelami ML predykcji sepsy z danych klinicznych.
Publiczny dataset MIMIC-IV (Medical Information Mart for Intensive Care) zawiera ponad 300 tys. hospitalizacji z MIT, dostępny po podpisaniu umowy PhysioNet. Użycie go w pracy magisterskiej jest legalne i metodologicznie solidne.
Temat: „Porównanie modeli XGBoost i LSTM w predykcji wczesnej sepsy na podstawie danych MIMIC-IV”. W rozdziale metodologicznym opisujesz: przygotowanie danych (braki, normalizacja, SMOTE dla imbalanced classes), dobór cech (SOFA score, mlSEPS, wyniki badań laboratoryjnych), walidację (sensitivity, specificity, AUC-ROC, Matthews Correlation Coefficient).
MCC jest szczególnie istotny przy niezbalansowanych zbiorach danych, bo AUC-ROC bywa mylące, gdy klasa pozytywna stanowi 5% obserwacji.
Segmentacja guzów mózgu z U-Net
Deep learning w diagnostyce obrazowej to temat gorący. U-Net, zaprojektowany przez Ronnebergera i in. w 2015 roku, stał się de facto standardem segmentacji biomedycznej. Nowsze warianty, jak nnU-Net czy Attention U-Net, poprawiają wyniki na konkretnych datasetach.
Publiczny dataset: BraTS (Brain Tumor Segmentation Challenge), obrazy MRI T1/T2/FLAIR z segmentacją ground truth. Dostępny bez rejestracji przez Synapse.
Temat: „Porównanie architektur U-Net i Attention U-Net w segmentacji glejaków wielopostaciowych na danych BraTS 2023”. Metryki: Dice Similarity Coefficient (DSC), Hausdorff Distance 95. Jeśli nie masz GPU, Google Colab Pro daje dostęp do A100 za ~50 USD miesięcznie.
W tym temacie pilnuj formatu danych DICOM. DICOM to standard NEMA, który definiuje nie tylko format pliku (nagłówek + dane pikselowe), ale też protokoły sieciowe (DIMSE). Biblioteka pydicom w Pythonie to punkt wejścia.
Chatbot dla pacjentów z cukrzycą
NLP w medycynie to osobna nisza. Systemy wspomagania pacjenta (nie lekarza) są mniej regulowane niż CDSS (Clinical Decision Support Systems), ale nadal wymagają przemyślanej architektury.
Temat: „Projekt i ocena chatbota edukacyjnego dla pacjentów z cukrzycą typu 2 z zastosowaniem RAG (Retrieval-Augmented Generation)”. Zakres: fine-tuning lub prompting LLM (np. Mistral 7B lokalnie przez Ollama), baza wiedzy z wytycznych PTD (Polskie Towarzystwo Diabetologiczne) i ESC 2023, ocena TAM (Technology Acceptance Model) wśród 30 pacjentów.
TAM Davisa (1989) mierzy perceived usefulness i perceived ease of use jako predyktory adoption. Do badania wystarczy 20-30 uczestników, jeśli używasz metody ankietowej z analizą regresji.
Analiza bezpieczeństwa danych medycznych po NIS2
Dyrektywa EU 2022/2555 (NIS2), implementowana w Polsce do października 2024 roku, nakłada na „podmioty ważne” (w tym szpitale) obowiązek zarządzania ryzykiem, raportowania incydentów w ciągu 24 godzin i audytów bezpieczeństwa łańcucha dostaw.
Temat: „Analiza gotowości szpitali powiatowych do wymagań NIS2 w zakresie cyberbezpieczeństwa systemów EHR”. Metodologia: ankieta wśród 15-20 szpitali (informatycy/CISO), analiza luk względem wymagań NIS2 Art. 21, studium przypadku jednego incydentu ransomware (np. szpital w Dusseldorfie 2020 lub Centrum Zdrowia Dziecka 2021).
RODO w medycynie nakłada osobną warstwę: dane o zdrowiu to „szczególna kategoria” (Art. 9), wymaga DPIA (Data Protection Impact Assessment) przy każdym nowym systemie. Połącz to z NIS2 i masz pracę, której komisja nie słyszała wcześniej trzy razy.
Jak dobrać metodologię
Metodologia to sekcja, na której pada większość pytań podczas obrony. Poniżej schematy dla najpopularniejszych typów prac.
Prace analityczne (analiza systemu, interoperacyjność)
Podstawowe narzędzie: UML i BPMN. Diagram przypadków użycia pokazuje, co system robi. Diagram sekwencji pokazuje, jak to robi (wymiana komunikatów między systemami). BPMN (Business Process Model and Notation) opisuje procesy biznesowe, czyli np. ścieżkę pacjenta od rejestracji do wypisu w modelu obsługi przez system HIS.
Benchmarking systemów HIS: na rynku polskim to AMMS (Asseco), Medicome, Eskulap, Hipokrates. Europejski raport HIMSS Analytics (2023/2024) zawiera dane o poziomie dojrzałości EMRAM (Electronic Medical Record Adoption Model) szpitali w Polsce i w Europie.
Prace z ML i AI
Trzy rzeczy, które musisz mieć w rozdziale metodologicznym:
- Opis datasetu (źródło, liczba próbek, rozkład klas, metoda podziału train/val/test)
- Opis architektury modelu z uzasadnieniem wyboru
- Metryki i ich interpretacja kliniczna (co oznacza, że AUC=0.88, gdy model ma trafić do szpitala?)
Środowisko: scikit-learn do klasycznych modeli ML (XGBoost, Random Forest, logistic regression), PyTorch lub TensorFlow/Keras do deep learning. Dla obrazów medycznych biblioteka MONAI (Medical Open Network for AI) dostarcza gotowe transformacje i architektury CNN.
Prace z badaniami użyteczności
SUS (System Usability Scale) to 10 pytań Likerta, daje wynik 0-100. Wynik powyżej 68 to „dobra użyteczność”, powyżej 85 to „doskonała”. Skala jest darmowa, zwalidowana w setkach badań.
TAM (Technology Acceptance Model) wymaga regresji. Pakiet SmartPLS albo R (lavaan) do SEM (Structural Equation Modeling). Minimum 30 uczestników dla badań ilościowych, 6-8 dla jakościowych (wywiady).
Jeśli badasz personel medyczny, zgodę komisji bioetycznej potrzebujesz raczej, gdy zbierasz dane kliniczne pacjentów, nie gdy ankietujesz lekarzy o system IT. Sprawdź to z promotorem wcześniej, żeby nie okazało się, że tydzień przed obroną brakuje dokumentu.
Wyślij fragment tekstu, bezpłatną wycenę otrzymasz w 24 h. Poprawki bez limitu w cenie usługi.
Struktura rozdziałów
Typowa struktura pracy magisterskiej z informatyki w medycynie:
Rozdział 1: Wstęp
Kontekst problemu (np. fragment raportu WHO Global Observatory for eHealth), cel pracy, teza, zakres i ograniczenia, struktura rozdziałów.
Rozdział 2: Przegląd literatury
Stan wiedzy: standardy (FHIR, DICOM, HL7 v2, ICD-10/ICD-11, SNOMED CT), systemy (HIS, EHR/EMR, PACS/RIS), regulacje (RODO, NIS2, HIPAA dla prac z danymi USA). SNOMED CT to terminologia kliniczna z ponad 350 000 pojęć medycznych, używana m.in. w kodowaniu rozpoznań w EHR.
Tu warto opisać platformę P1 i jej komponenty: e-recepta (ponad 600 mln wystawionych w 2023 roku wg Centrum e-Zdrowia), e-skierowanie, IKP (Internetowe Konto Pacjenta). Jeśli Twoja praca dotyczy polskiego systemu, to kontekst obowiązkowy.
Rozdział 3: Opis środowiska i materiałów
Opis systemu, datasetu lub badanej populacji. Tu szczegóły techniczne: wersja oprogramowania, infrastruktura, źródło danych, metoda próbkowania.
Rozdział 4: Metodologia
Dokładny opis metod: jak zebrałeś dane, jak je przetworzyłeś, jak oceniałeś wyniki. Taki opis, żeby inny badacz mógł powtórzyć Twoje badanie i dostać podobne wyniki.
Rozdział 5: Wyniki
Tabele, wykresy, liczby. Bez interpretacji, to idzie do dyskusji.
Rozdział 6: Dyskusja
Interpretacja wyników, porównanie z literaturą, ograniczenia, kierunki dalszych badań.
Rozdział 7: Wnioski
3-5 konkretnych odpowiedzi na pytania badawcze postawione we wstępie.
Co z telemedycyną i mHealth
Telemedycyna w Polsce ma podstawę prawną w ustawie o działalności leczniczej po nowelizacji z 2021 roku, która dopuściła udzielanie świadczeń przez systemy teleinformatyczne. Praktycznie oznacza to, że e-wizyta jest pełnoprawnym świadczeniem zdrowotnym, a nie tylko „rozmową przez internet”.
Jeśli piszesz pracę o aplikacji mHealth (mobile health), masz do czynienia z dwoma warstwami regulacji. Po pierwsze, jeśli aplikacja wyświetla dane zdrowotne i wspomaga diagnozę, może być wyrobem medycznym wg rozporządzenia MDR (EU 2017/745). Po drugie, dane z czujników (HRV, SpO2, poziom glukozy z CGM) to dane o zdrowiu wg RODO.
Badania TAM dla mHealth wśród lekarzy POZ to niszowy, ale bardzo potrzebny obszar. Raport NFZ z 2023 roku pokazał, że tylko 43% lekarzy POZ regularnie korzysta z narzędzi telemedycznych poza e-receptą. To duże pole do badań.
Federated Learning w medycynie: skąd wziąć dane
Federated Learning (FL) to podejście, w którym model uczy się na danych rozproszonych po wielu szpitalach, a na centralny serwer trafiają tylko gradienty, nie surowe dane. To rozwiązanie dla problemu RODO: szpital A nie musi udostępniać danych szpitalowi B, żeby razem wytrenować lepszy model.
Framework: PySyft (OpenMined) lub FATE (WeBank). Do symulacji FL na jednej maszynie wystarczy fl_simulation w PySyft.
Temat: „Analiza prywatności różnicowej w Federated Learning dla predykcji ryzyka hospitalizacji”. Prywatność różnicowa (Differential Privacy) to formalna gwarancja, że model nie ujawnia danych konkretnego pacjenta. Biblioteka Google DP albo TensorFlow Privacy.
To temat trudny, ale bardzo aktualny po rewizji dyrektywy EU o AI Act (2024), która klasyfikuje systemy AI w ochronie zdrowia jako „wysokie ryzyko”.
IoMT i cyberbezpieczeństwo sprzętu
IoMT (Internet of Medical Things) to monitory pacjenta, pompy infuzyjne, respiratory, wszystko, co jest podłączone do sieci szpitalnej. Problem: większość tego sprzętu działa na starych systemach operacyjnych (Windows XP, Android 4.x), bez regularnych aktualizacji bezpieczeństwa.
Raport Claroty z 2023 roku pokazał, że 63% zidentyfikowanych urządzeń IoMT w szpitalach ma znane niezałatane CVE (Common Vulnerabilities and Exposures). To konkretna liczba do cytowania we wstępie pracy.
NIS2 wymaga od szpitali zarządzania bezpieczeństwem łańcucha dostaw, co obejmuje m.in. inwentaryzację urządzeń IoMT i ocenę ryzyka. Praca magisterska: „Analiza podatności urządzeń IoMT w sieci szpitalnej i rekomendacje segmentacji sieci zgodne z wymaganiami NIS2”.
Skąd brać dane, jeśli nie masz dostępu do szpitala
Brak dostępu do danych klinicznych to najczęstszy problem magistrantów. Jest kilka dróg wyjścia.
Publiczne datasety kliniczne:
– MIMIC-IV (PhysioNet) – dane ICU, wymaga rejestracji i kursu CITI
– eICU Collaborative Research Database (Philips)
– TCGA (The Cancer Genome Atlas) – dane genomiczne i kliniczne
– BraTS, LiTS, KITS – obrazy medyczne z segmentacją
– UK Biobank – duże kohorty, ale dostęp trwa kilka tygodni
Dane syntetyczne: Synthea generuje syntetyczne dane EHR w formacie FHIR JSON. Możesz wygenerować 10 000 pacjentów w 10 minut i mieć dane do prototypu systemu.
Symulacja procesów: dla prac o optymalizacji kolejek w SOR (szpitalny oddział ratunkowy) możesz użyć discrete event simulation (DES) w SimPy (Python). Kalibrujesz model do danych statystycznych z raportu NFZ i symulujesz wpływ zmian organizacyjnych.
Jak skończyć pisanie w terminie
Z doświadczenia pracy z magistrantami: największy problem to nie zebranie danych ani napisanie kodu. Największy problem to rozdział 2 (przegląd literatury), który rośnie bez końca i pochłania połowę czasu.
Daj sobie twardy limit: 30-40 artykułów źródłowych, każdy z jednozdaniową notatką „co z tego używam”. Zrezygnuj z cytowania wszystkiego, co przeczytałeś. Cytuj tylko to, na co bezpośrednio powołujesz się w tekście.
Bazy literatury dla informatyki medycznej: PubMed, IEEE Xplore, ACM Digital Library, Scopus. Filtr: ostatnie 5 lat dla technicznych tematów (ML, FHIR, IoT), ostatnie 10 dla metodologii.
Promotor chce widzieć postęp, nie drafty dopracowane do perfekcji. Lepiej pokazać szkielet rozdziału 4 z dziurami niż czekać 3 tygodnie, aż będzie „gotowy do pokazania”. Większość poprawek i tak wyjdzie po pierwszym feedbacku.
Jakie oprogramowanie przyda się na pewno
Do analizy danych:
– Python 3.11+ z Jupyter Lab (anaconda albo pyenv)
– scikit-learn, XGBoost, LightGBM do klasycznych modeli
– PyTorch + MONAI do obrazowania medycznego
– pydicom do obsługi DICOM
– fhir.resources lub hapi-fhir (Java) do pracy z FHIR
Do modelowania procesów:
– draw.io (UML, BPMN) – darmowy, działa w przeglądarce
– Camunda Modeler – BPMN 2.0, z możliwością walidacji
– ArchiMate (Archi) – architektura korporacyjna, jeśli promotor wymaga
Do statystyk:
– R + lavaan do SEM (badania TAM/SUS)
– SPSS lub Jamovi jeśli nie znasz R (Jamovi jest darmowy i ma GUI)
Do dokumentacji:
– LaTeX (overleaf.com jeśli nie chcesz instalować lokalnie) – wiele uczelni wymaga
– MS Word z szablonami uczelni – sprawdź co obowiązuje u Ciebie
Systemy PACS/RIS i kodowanie kliniczne: co musisz wiedzieć
PACS (Picture Archiving and Communication System) to system do przechowywania, zarządzania i przesyłania obrazów medycznych. Pracuje w parze z RIS (Radiology Information System), który zarządza zleceniami, raportami i harmonogramem pracowni. Między nimi stoi standard DICOM.
Jeśli Twoja praca dotyczy radiologii lub diagnostyki obrazowej, nie możesz ominąć tych trzech akronimów. Zwłaszcza DICOM, bo jest jednocześnie formatem pliku i protokołem sieciowym. Przesył obrazów między PACS a stacją diagnostyczną odbywa się przez DICOM DIMSE. Nowszy standard, DICOMweb (WADO-RS, STOW-RS, QIDO-RS), przenosi to na RESTowe API, co otwiera PACS na integrację z systemami HIS przez FHIR ImagingStudy.
Temat do pracy: „Integracja PACS z systemem HIS przez standard HL7 FHIR ImagingStudy: analiza interoperacyjności i ocena workflow radiologa”. Konkretne pytanie badawcze: czy integracja przez FHIR skraca czas od zlecenia badania do odczytu wyniku? Metodologia: analiza logów systemowych przed i po integracji + SUS wśród 10 radiologów.
Kodowanie kliniczne to osobna sprawa. ICD-10 (International Classification of Diseases, 10. rewizja, WHO) obowiązuje w Polsce jako standard rozliczeń z NFZ. Polska wersja, ICD-10 PL, ma specyficzne kody proceduralne (ICD-9 PL dla procedur). ICD-11 wdrożono w Polsce do sprawozdawczości od 2025 roku, ale większość szpitali nadal koduje w ICD-10 dla NFZ. To jest luka badawcza: jak szpitale radzą sobie z podwójnym kodowaniem i czy narzędzia wspierają konwersję ICD-10 do ICD-11?
SNOMED CT (Systematized Nomenclature of Medicine Clinical Terms) to terminologia, nie klasyfikacja. Zawiera ponad 350 000 pojęć i relacje między nimi. W Polsce licencja SNOMED na poziomie krajowym jest od 2021 roku. EHR po angielsku lub w dużych systemach wielojęzycznych to standard do kodowania rozpoznań i procedur, bo jest bardziej granularny niż ICD.
Praca magisterska: „Automatyczna sugestia kodów SNOMED CT dla rozpoznań w języku polskim z zastosowaniem modeli NER (Named Entity Recognition)”. Narzędzie: medSpaCy lub Polish biomedical NER (KPWr, NKJP jako korpusy treningowe). Dane: anonimizowane wypisy ze szpitala lub syntetyczne wygenerowane w MIMIC format.
Systemy wspomagania decyzji klinicznych: gdzie jest granica AI
CDSS (Clinical Decision Support System) to oprogramowanie, które pomaga lekarzowi w podejmowaniu decyzji. Zakres jest szeroki: od prostych alertów o interakcjach lekowych (to robi każdy nowoczesny HIS) przez systemy predykcji ryzyka (scoring APACHE II, NEWS2, CHA2DS2-VASc) po modele AI interpretujące wyniki badań.
Tutaj zaczyna się regulacyjna mina. Europejski AI Act (2024) klasyfikuje systemy AI przeznaczone do wspomagania decyzji medycznych jako „wysokie ryzyko” (Annex III). Oznacza to obowiązek rejestracji, dokumentacji technicznej (technical documentation), oceny zgodności i monitorowania po wdrożeniu. W praktyce: model ML do predykcji ryzyka sepsy w szpitalu to wyrób medyczny klasy IIa wg MDR, jeśli jego wynik bezpośrednio trafia do klinicysty.
To nie znaczy, że nie możesz napisać pracy na ten temat. Wręcz przeciwnie, ta szara strefa regulacyjna to świetny materiał do analizy. Temat: „Analiza wymagań regulacyjnych dla systemów CDSS opartych na uczeniu maszynowym w Polsce po wdrożeniu AI Act”. Przegląd literatury, analiza przypadków (np. IDE dla modeli AI w FDA i analogiczna droga w EU), ankieta wśród 15-20 specjalistów ds. zgodności w szpitalach.
Jeśli wolisz temat bardziej techniczny: „Implementacja i walidacja systemu predykcji ryzyka powikłań pooperacyjnych z zastosowaniem XGBoost na danych MIMIC-IV”. Tutaj pokażesz, jak zbudować CDSS-like pipeline: ekstrakcja cech, model, kalibracja (Platt scaling lub isotonic regression), wyjaśnialność (SHAP values), wreszcie prototyp interfejsu z alertem dla lekarza.
SHAP (SHapley Additive exPlanations) to metoda wyjaśnialności modeli ML, która dla każdej predykcji mówi, które cechy miały największy wpływ i w jakim kierunku. To nie jest opcja dla prac z obszaru medycyny, to obowiązek, jeśli twój model ma być wdrożony lub oceniany klinicznie.
Jak pisać o RODO i bezpieczeństwie danych, żeby to brzmiało jak praca techniczna, nie prawnicza
Praca magisterska z informatyki w medycynie nie jest pracą prawniczą. Rozdział o RODO powinien mieć co najwyżej 3-5 stron i skupiać się na konsekwencjach technicznych.
Co napisać: kategorie danych (dane o zdrowiu to Art. 9 RODO, szczególna kategoria), podstawa prawna przetwarzania (Art. 9 ust. 2 lit. h – opieka zdrowotna), obowiązki administratora (DPIA gdy „wysokie ryzyko”, Art. 35), minimalizacja danych jako zasada projektowania (privacy by design, Art. 25).
Jak to przełożyć technicznie: pseudonimizacja przed analizą danych, szyfrowanie danych w spoczynku i tranzycie (AES-256, TLS 1.3), kontrola dostępu oparta na rolach (RBAC), logi audytowe. To są decyzje architektoniczne. Opisz je jako takie.
HIPAA (Health Insurance Portability and Accountability Act, USA) pojawia się w pracach, które używają danych z MIMIC-IV lub innych datasetów amerykańskich. MIMIC jest de-identyfikowany zgodnie z HIPAA Safe Harbor, tzn. usunięto 18 kategorii identyfikatorów (daty zastąpione przesunięciami, nazwy miejscowości, numery SPI itp.). Twoja praca powinna to odnotować i opisać, jak dalej dbałeś o anonimowość wyników (np. nie reportujesz wyników dla grup poniżej n=10).
Najczęstsze błędy w pracach z tego obszaru
Zbyt ogólna teza. „Systemy EHR poprawiają jakość opieki zdrowotnej” to nie jest teza magisterska. „Wdrożenie modułu FHIR Medication Request w systemie Medicome skraca czas wystawiania skierowań na badania o X% wg obserwacji w szpitalu Y” to teza, którą można zweryfikować.
Brak walidacji. Zaimplementowałeś algorytm. I co z tego wynika dla użytkownika końcowego? Każda implementacja w pracy magisterskiej z obszaru medycyny powinna mieć etap oceny. SUS, TAM, porównanie z baseline, ekspert kliniczny.
Ignorowanie regulacji. RODO, NIS2, MDR to nie są rozdziały do wklejenia gotowego streszczenia przepisów. Pokaż, jak Twoje rozwiązanie jest z nimi zgodne i co trzeba zrobić, żeby rzeczywiście mogło działać w szpitalu.
Zbyt mały dataset. 200 pacjentów do modelu ML predykcji sepsy to za mało. Jeśli nie masz dostępu do większych danych, zmień temat na analizę interoperacyjności albo użyj publicznego datasetu.
Temat z informatyki w medycynie jest trudny. Nie dlatego, że wymaga znajomości dwóch dziedzin, ale dlatego, że wymaga rozmawiania z promotorem, lekarzami i komisją jednocześnie w jednym tekście. Jeśli Twoja praca ma konkretny cel kliniczny, solidne dane i przemyślaną metodologię, obrona to tylko formalność.
Jeśli potrzebujesz pomocy z przeglądem i poprawą tekstu przed złożeniem, napisz: znam ten obszar i wiem, czego szukają recenzenci z wydziałów informatyki medycznej.
