Veidlapa Nr. M-3 (8)
Studiju kursa apraksts
Datu analīze un mākslīgais intelekts veselības aprūpē
Kursa kods
VVDG_040
Zinātnes nozare
Citas sociālās zinātnes, tai skaitā starpnozaru sociālās zinātnes un militārā zinātne
Kredītpunkti (ECTS)
3,00
Mērķauditorija
Farmācija; Uzņēmējdarbības vadība; Vadībzinātne; Veselības vadība
LKI
7. līmenis
Studiju veids un forma
Pilna laika
Studiju kursa īstenotājs
Kursa vadītājs
Uģis Kārlis Sprūdžs
Struktūrvienības vadītājs
Daiga Behmane
Struktūrvienība
Veselības vadības docētāju grupa
Kontaktinformācija
Dzirciema iela 16, Rīga
Par studiju kursu
Mērķis
Studiju kursa mērķis ir iepazīstināt ar lielo datu analīzes, datu vizualizācijas, mākslīgā intelekta un mašīnmācīšanās pamatprincipiem, lai veiksmīgi izmantotu šīs prasmes veselības aprūpes uzlabošanai un inovācijām. Kurss nodrošinās iespēju sasniegt augsta līmeņa digitālās prasmes, lai efektīvi darbotos digitālās veselības aprūpes kontekstā.
Priekšzināšanas
- Izpratne par informācijas tehnoloģiju un veselības datu nozīmi un lomu veselības aprūpes pilnveidē un inovāciju radīšanā; - Priekšstats par saistīto likumdošanu, kas attiecas uz veselības datu apstrādi un privātumu; - Pamata prasmes darbā ar datiem (informācijas meklēšana, datu apstrāde ar Microsoft Excel vai līdzvērtīgu lietojumprogrammatūru).
Studiju rezultāti
Zināšanas
1.- Pārzināt aprakstošās un prognostiskās veselības datu analīzes metodes; - Pārzināt un raksturot veselības datu vizualizācijas pieejas un iespējas; - Pārzināt dažādus mākslīgā intelekta risinājumus un to pielietojumu veselības aprūpē; - Pārzināt un atšķirt mašīnmācīšanās veidus un raksturot to pielietošanas iespējas veselības aprūpē.
Prasmes
1.- Argumentēt un integrēt aprakstošās un prognostiskās veselības datu analīzes metodes; - Pielietot veselības datu vizualizācijas pieejas un metodes, datos balstītu lēmumu pieņemšanai; - Izvēlēties atbilstošus risinājumus un identificēt prasības, lielo datu ģenerēšanai, atlasei un to tālākai analītiskai apstrādei, izmantojot augstas veiktspējas skaitļošanas pieeju; - Izprast un izvēlēties piemērotāko mākslīgā intelekta risinājumu noteiktu veselības aprūpes procesu īstenošanā; - Identificēt mašīnmācīšanās pielietojumu iespējas veselības aprūpē.
Kompetences
1.- Identificēt, izvēlēties un pielietot veselības lielo datu analītiskās pieejas, datos balstītu lēmumu pieņemšanā; - Pilnveidot esošos veselības aprūpes tehnoloģiskos risinājumus, izmantojot mākslīgā intelekta un mašīnmācīšanās pieejas; - Radīt datos balstītus veselības aprūpes risinājumus un inovācijas; - Īstenot mašīnmācīšanās pieeju, veselības jomas efektivitātes un problēmjautājumu risināšanā.
Vērtēšana
Patstāvīgais darbs
|
Virsraksts
|
% no gala vērtējuma
|
Vērtējums
|
|---|---|---|
|
1.
Patstāvīgais darbs |
-
|
-
|
|
E-studijās ievietoto materiālu apguve (videolekcijas, raksti, publikācijas, datu kopas), pašpārbaudes uzdevumi.
Patstāvīgā darba izstrāde: noteiktai veselības datu kopai veikt izpētes datu analīzi, vizualizāciju un prognostiskā modeļa izstrādi ar kursā piedāvātajiem datu analītikas un prognostikas rīkiem.
Lai izvērtētu studiju kursa kvalitāti kopumā, studentam jāaizpilda studiju kursa novērtēšanas anketa Studējošo portālā.
|
||
Pārbaudījums
|
Virsraksts
|
% no gala vērtējuma
|
Vērtējums
|
|---|---|---|
|
1.
Pārbaudījums |
-
|
-
|
|
Studiju kursa vērtējums: gala eksāmena testa vērtējums. Eksāmens ir pieejams tiem studējošajiem, kuri ir sekmīgi izpildījuši pārbaudes darbu par visām kursa tēmām.
|
||
Studiju kursa tēmu plāns
PILNA LAIKA
1. daļa
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Datu analīzes tehnoloģijas un datu vizualizācija datu izpētes analīzē
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Datu analīzes tehnoloģijas un datu vizualizācija datu izpētes analīzē
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
2
|
Tēmas
|
Datu analīzes tehnoloģijas un datu vizualizācija datu izpētes analīzē
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Mākslīgā intelekta pielietošana veselības aprūpē
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Mākslīgā intelekta pielietošana veselības aprūpē
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
2
|
Tēmas
|
Mākslīgā intelekta pielietošana veselības aprūpē
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Mašīnmācīšanās pielietošana prognostiskajā analīzē veselības aprūpē
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
2
|
Tēmas
|
Mašīnmācīšanās pielietošana prognostiskajā analīzē veselības aprūpē
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
2
|
Tēmas
|
Mašīnmācīšanās pielietošana prognostiskajā analīzē veselības aprūpē
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Dziļās mācīšanas pielietošana prognostiskajā analīzē veselības aprūpē
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
2
|
Tēmas
|
Dziļās mācīšanas pielietošana prognostiskajā analīzē veselības aprūpē
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
2
|
Tēmas
|
Dziļās mācīšanas pielietošana prognostiskajā analīzē veselības aprūpē
|
Kopā kredītpunkti (ECTS):
3,00
Kontaktstundas:
24 ak. st.
Gala pārbaudījums:
Eksāmens
Bibliogrāfija
Obligātā literatūra
1.
Ellis SE, Leek JT. 2018. How to share data for collaboration, Am Stat. 72(1): 53–57.
2.
Broman, Woo, 2018. Data Organization in Spreadsheets, The American Statistician, 72:1, 2-10
3.
Panesar, A. 2021. Machine Learning and AI for Healthcare.
4.
James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2023, Chapter 3
5.
James, Witten, Hastie, Tibshirani: An Introduction to Statistical Learning. 2023, Chapter 8
6.
Linear Regression with Knime - Lego Dataset - Knoldus Blogs
7.
Timothy L. Wiemken and Robert R. Kelley. 2020. Machine Learning in Epidemiology and Health Outcomes Research. Annual Review of Public Health 2020 41:1, 21-36,
8.
Sprūdžs, U. 2023. Sirds un asinsrites slimību mirstības riska prognoze nākamajam gadam no anonimizētiem Latvijas veselības aprūpes sistēmas datiem: XGBoost mašīnmācīšanās algoritma iespējamības pārbaude | Akadēmiskā Dzīve (lu.lv)
9.
Cao Xiao, Jimeng Sun, 2021."Introduction to Deep Learning for Healthcare". Springer
Papildu literatūra
1.
Deep Learning vs. Machine Learning – What’s The Difference?
2.
Activation Functions