Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Návrh Školení
Úvod do využití umělé inteligence ve zdravotnictví
- Aplikace umělé inteligence při podpoře klinických rozhodnutí a diagnostice
- Přehled typů zdravotnických dat: strukturovaná, textová, obrazová, senzorová
- Specifické výzvy při vývoji modelů umělé inteligence v medicíně
Příprava a správa zdravotnických dat
- Práce s elektronickými zdravotními záznamy, výsledky laboratorních testů a daty v formátu HL7/FHIR
- Předzpracování lékařských snímků (DICOM, CT, MRI, rentgenové snímky)
- Zpracování časových řad ze zařízení na měření vitálních funkcí nebo monitorů na jednotkách intenzivní péče
Techniky doladění modelů pro zdravotnictví
- Transfer learning a adaptace modelu na konkrétní lékařskou oblast
- Doladění modelů podle specifických úkolů – klasifikace či regrese
- Doladění modelů s omezeným množstvím anotovaných dat
Předpovídání onemocnění a odhad výsledků léčby
- Výpočet rizika onemocnění a vytváření systémů včasného varování
- Prediktivní analýza pro předpovídání opětovné hospitalizace či reakce pacienta na léčbu
- Integrace více typů dat do jediného modelu
Etika, ochrana soukromí a legislativní aspekty
- Předpisy HIPAA, GDPR a jejich vztah k nakládání s pacientskými údaji
- Odstraňování předsudků z modelů a kontrola jejich spravedlnosti
- Transparentnost a vysvětlitelnost modelů v kontextu klinických rozhodnutí
Hodnocení a validace modelů v lékařském prostředí
- Kritéria hodnocení výkonnosti – AUC, citlivost, specifičnost, F1 skóre
- Validace modelů na nevyvážených či vysoce rizikových datových sadách
- Porovnání testování v simulovaném a reálném prostředí
Nasazení a monitorování modelů ve zdravotnických zařízeních
- Integrace modelů do informačních systémů nemocnic
- Postupy CI/CD v regulovaném zdravotnickém prostředí
- Detekce změn v chování modelu po nasazení a kontinuální jeho vylepšování
Závěr a další kroky
Požadavky
- Základní znalosti principů strojového učení a supervidovaného učení
- Praktické zkušenosti s prací se zdravotnickými daty, např. elektronickými zdravotními záznamy, lékařskými snímky nebo klinickými poznámkami
- Znalost jazyka Python a frameworků pro strojové učení (např. TensorFlow, PyTorch)
Cílová skupina
- Vývojáři umělé inteligence v oblasti zdravotnictví
- Datoví vědci působící ve zdravotnictví
- Odborníci vyvíjející diagnostické či prediktivní modely pro zdravotnický sektor
14 Hodiny
