Für Forschungsteams

Forschungsberatung und Data Science

Strategische Forschungsberatung und angewandte Data Science, persönlich von Dr. Delva für Hochschulteams, klinische Gruppen und Biotech-Unternehmen. Keine Vorlagen, keine Weitergabe.

Beispiel-Ergebnisse ansehen Kostenloses 20-Minuten-Gespräch

Was ich anbiete

Zwei Disziplinen, eine Ansprechpartnerin

Forschungsberatung

Über zehn Jahre in Onkologie, Molekularbiologie und Neurowissenschaft – vom Labor bis zur Strategie.

Forschungsberatung & Studiendesign: Versuchsstrategie, Hypothesen und Methoden, bevor Sie Ressourcen binden.
Grant-Unterstützung & wissenschaftliches Schreiben: Förderanträge (DFG, ERC, NIH) und Manuskripte, ausgerichtet auf das, worauf Gutachtende achten.
Akademisches Mentoring: Coaching für Promovierende und Postdocs, Stipendienbewerbungen und berufliche Übergänge.

Data Science

Angewandtes maschinelles Lernen und Statistik, ausgebildet im Data-Science-&-AI-Programm von Le Wagon und erprobt an echten Biomarker-Daten.

Datenanalyse & Visualisierung: explorative Analysen, statistische Tests und publikationsreife Abbildungen in reproduzierbaren Python/R-Pipelines.
Maschinelles Lernen & Vorhersagemodelle: Klassifikation und Regression, Feature Engineering, Validierung – von Rohdaten bis zum interpretierbaren Modell.
Reporting & Dashboards: BI-Dashboards, GA4/GTM-Reporting, SQL/BigQuery-Pipelines und Data Storytelling.

PythonSQLpandasscikit-learnRGraphPadStreamlit

Preise für Forschungsteams →

Projektstufen

Drei Stufen der Tiefe

Dieselbe Struktur gilt für einen kurzen Beratungssprint wie für eine vollständige Modellierungspipeline. Jedes Projekt wird nach einem kostenlosen Gespräch angeboten.

★

Starter

Explorativer Bericht oder Literatur-/Methodenreview
3 publikationsreife Abbildungen
Reproduzierbares Notebook oder kommentierter Entwurf
Schriftliche Ergebnisse und nächste Schritte

★★

Standard

Alles aus Starter
Multivariable Modellierung oder strukturelle Überarbeitung
Subgruppen- und Interaktionsanalysen
5+ Abbildungen oder Tabellen; 1 Korrekturrunde

★★★

Advanced

Vollständige ML-Pipeline oder komplettes Publikationspaket
Modellvergleich und Validierung oder Journal-Auswahl
6+ Abbildungen mit biologischer Interpretation
2 Korrekturrunden

Beispiel-Ergebnisse

Was Kundinnen und Kunden erhalten

★ Starter · Fallstudie 01

Bericht zur explorativen Datenanalyse

Datensatz zu Schlafqualität und Stress-Biomarkern · N = 180 Teilnehmende

6,8 Std.Mittlere Schlafdauer

r = −0,43Korrelation Schlaf–Stress

38 %Unter der empfohlenen Schlafdauer

5 TageBearbeitungszeit

Eine gründliche statistische Auswertung, wie Schlafdauer, Stress und Interventionsgruppe zusammenhängen, mit publikationsreifen Abbildungen und einer Interpretation auf Basis der aktuellen Schlafforschung. Python (pandas, NumPy, SciPy, Matplotlib); Pearson-Korrelation, t-Test, Cohens d.

Kennzahl	Wert	p	Interpretation
Mittlere Schlafdauer	6,8 Std.	—	Unter den empfohlenen 7–9 Std. für Erwachsene
Mittlerer Stresswert	5,2 / 10	—	Mäßiger Stress in der gesamten Stichprobe
Korrelation Schlaf–Stress	r = −0,43	< 0,001	Signifikant negative Korrelation
Schlaf Intervention vs. Kontrolle	+0,8 Std.	< 0,05	Etwas mehr Schlaf in der Interventionsgruppe
Gruppeneffekt (Cohens d)	0,38	—	Kleiner bis mittlerer Effekt
Unter 6 Std. Schlaf pro Nacht	38 %	—	Unter der empfohlenen Mindestschwelle

Empfohlene nächste Schritte

Folgedaten nach 3 und 6 Monaten, um die Dauerhaftigkeit zu prüfen
Validierte Messung der Schlafqualität (PSQI) ergänzen
Alter, Geschlecht und Ausgangsstress in multivariablen Modellen berücksichtigen
Subgruppenanalysen zu den stärksten Respondern; Ausweitung auf N ≥ 400

Geliefert: schriftlicher Bericht (PDF + Word), reproduzierbares Jupyter-Notebook, 3 Abbildungen mit 300 DPI.

★★★ Advanced · Fallstudie 02

Bericht zur prädiktiven ML-Analyse

Klassifikation des Schlafstörungsrisikos · N = 300 Teilnehmende · Biomarker-Datensatz mit 7 Merkmalen

0,847AUC-ROC (Random Forest)

78 %Genauigkeit auf Testdaten

3Verglichene Modelle

Eine vollständige Machine-Learning-Pipeline, die das Schlafstörungsrisiko (hoch vs. niedrig) aus Schlaf, Stress, Alter, Cortisol, BDNF, CRP und IL-6 vorhersagt. Validiert mit 5-facher Kreuzvalidierung und einem zurückgehaltenen Testdatensatz; Feature Importance und Partial Dependence verbinden das Modell mit der Biologie.

Modell	AUC-ROC	Genauigkeit	CV-Wert
Logistische Regression (Basis)	0,791	72,3 %	0,784 ± 0,04
Gradient Boosting	0,834	76,7 %	0,826 ± 0,03
Random Forest (ausgewählt)	0,847	78,0 %	0,839 ± 0,03

Wichtigste Ergebnisse

Schlafdauer und Stresswert tragen 50 % der Trennschärfe des Modells; beide sind beeinflussbar.
Unter 6 Stunden Schlaf steigt das vorhergesagte Risiko stark an; der Bereich von 6–7 Stunden bietet den größten Hebel.
Cortisol und BDNF liefern zusätzlichen, unabhängigen Vorhersagewert über Schlaf und Stress hinaus.
Schlafdauer, Stress und Cortisol erfassen 68 % der Vorhersagekraft des Gesamtmodells – eine schlanke Screening-Option.

Geliefert: vollständiger Bericht (Word + PDF), Jupyter-Notebook, 6 Abbildungen, Tabelle zur Modellbewertung und CSV-Dateien, 2 Korrekturrunden.

Haben Sie Daten oder eine Studie, die eine zweite Wissenschaftlerin braucht?

Projekte werden auf Ihre Daten, Ihren Zeitplan und Ihr Budget zugeschnitten.

Kostenloses Gespräch buchen Preise ansehen