Veidlapa Nr. M-3 (8)
Studiju kursa apraksts
Mākslīgā intelekta risinājumi veselības aprūpē
Kursa kods
SVI_003
Zinātnes nozare
Matemātika
Kredītpunkti (ECTS)
5,00
Mērķauditorija
Informācijas un komunikācijas zinātne; Medicīnas pakalpojumi; Medicīnas tehnoloģijas; Politikas zinātne; Sabiedrības veselība; Uzņēmējdarbības vadība; Vadībzinātne; Veselības vadība
LKI
7. līmenis
Studiju veids un forma
Pilna laika
Studiju kursa īstenotājs
Kursa vadītājs
Oskars Radziņš
Struktūrvienības vadītājs
Daiga Behmane
Struktūrvienība
Veselības vadības docētāju grupa
Kontaktinformācija
Rīga, Kronvalda bulvāris 9, +371 67338307
Par studiju kursu
Mērķis
Dot studentiem priekšskatu par dažādajiem mākslīgā intelekta veidiem (mašīnmācīšanās algoritmiem un mākslīgo dziļo neironu tīkliem) un to izmantošanas iespējām veselības aprūpes jomā. Citi mērķi ietver: 1) Saprašanu par datu nozīmi mākslīgā intelekta sistēmu dzīves ciklā, sākot no apmācības datu kopas izveides līdz praktiskam pielietojumam; 2) Visbiežāk sastopamās problēmas sistēmu apmācībā un to mitigācija; 3) Ētiska mākslīgo intelektu sistēmu izveidošana un lietošana; 4) Tuvākas un tālākas nākotnes perspektīvas un attīstības virzieni. Kursa beigās studējošie spēs orientēties mākslīgā intelekta sistēmu terminoloģijā, spēs izveidot atbilstošu apmācības datu kopu mākslīgā intelekta sistēmas apmācībai, būs spējīgi novērtēt sistēmu piedāvātos rezultātus un spēs identificēt ētiskās problēmas, kas saistītas ar mākslīgā intelekta sistēmu izstrādi un implementāciju.
Priekšzināšanas
Statistikas un programmēšanas priekšzināšanas būtu uzskatāmas par priekšrocību.
Studiju rezultāti
Zināšanas
1.- Pārzināt dažādos mākslīgā intelekta sistēmu veidus. - Atpazīt kopīgo un atšķirīgo starp klasiskajiem mašīnmācīšanās un neironu tīklu modeļiem. - Pārzināt apmācībai izmantoto datu kopas nozīmi mākslīgā inetelekta sistēmas izstrādē. - Pārzināt dažādos veidus, kā māsklīgais intelekts var tikt implementēts veselības aprūpē. - Atpazīt ētiskos un juridiskos izaicinājumus, kas saistīti ar mākslīgā intelekta izstrādi un implementāciju.
Prasmes
1.- Izvērtēt mākslīgā intelekta sistēmas apmācības datu kopas atbilstību veicamajam mērķim. - Pārzināt mākslīgā intelekta sistēmas izvēli, atbilstoši mērķim un pieejamajai datu kopai. - Identificēt potenciālus pielietojumus mākslīgā intelekta sistēmām veselības aprūpē. - Identificēt juridiskos izaicinājumus, kas saistīti ar mākslīgā intelekta sistēmas izmantošanu veselības aprūpē.
Kompetences
1.- Pārvaldīt un pielāgot datu kopas izmantošanu mākslīgā intelekta sistēmas apmācībai. - Izveidot vienkāršus mākslīgā intelekta sistēmu modeļus. - Pārzināt, kā kritiski novērtēt mākslīgā intelekta sistēmu veidotus rezultātus. - Izveidot mākslīgā intelekta sistēmas izstrādes un apsekošanas plānu.
Vērtēšana
Patstāvīgais darbs
|
Virsraksts
|
% no gala vērtējuma
|
Vērtējums
|
|---|---|---|
|
1.
Patstāvīgais darbs |
-
|
-
|
|
1) E-studijās izvietoto materiālu apguve (videolekcijas, raksti, publikācijas).
2) Pašpārbaudes testu izpilde.
3) Patstāvīgā darba izstrāde: definēt problēmu veselības aprūpes nozarē, kas risināmas ar mākslīgā intelekta izmantošanu, un izveidot datu kolekcionēšanas un sistēmas izstrādes, izmēģinājuma, implementācijas un apsekošanas plānu.
|
||
Pārbaudījums
|
Virsraksts
|
% no gala vērtējuma
|
Vērtējums
|
|---|---|---|
|
1.
Pārbaudījums |
-
|
-
|
|
Studiju kursa vērtēšana sastāv no 3 elementiem:
1) Gala eksāmena tests, kas ietver jautājumus no visām kursa tēmām - 50%;
2) Patstāvīgā darba izstrādes un iesniegšana - 30%;
3) Pašpārbaudes testu rezultāti - 20%.
Sekmīgai kursa nokārtošanai ir nepieciešams gala vērtējums vismaz 4 no 10 ballēm.
|
||
Studiju kursa tēmu plāns
PILNA LAIKA
1. daļa
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ievads mākslīgajā intelektā
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ievads mākslīgajā intelektā
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
2
|
Tēmas
|
Ievads mākslīgajā intelektā
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
2
|
Tēmas
|
Ievads mākslīgajā intelektā
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Mašīnmācīšanās sistēmas
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Mašīnmācīšanās sistēmas
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
2
|
Tēmas
|
Mašīnmācīšanās sistēmas
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
2
|
Tēmas
|
Mašīnmācīšanās sistēmas
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Neironu tīkli
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Neironu tīkli
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
2
|
Tēmas
|
Neironu tīkli
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
2
|
Tēmas
|
Neironu tīkli
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Mākslīgais intelekts attēlapstrādē
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Mākslīgais intelekts attēlapstrādē
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
2
|
Tēmas
|
Mākslīgais intelekts attēlapstrādē
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Mākslīgais intelekts medicīnas iekārtās
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Mākslīgais intelekts farmācijā
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Mākslīgais intelekts un pacients
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ar mākslīgo intelektu saistītie ētiskie apsvērumi
|
Kopā kredītpunkti (ECTS):
5,00
Kontaktstundas:
38 ak. st.
Gala pārbaudījums:
Eksāmens
Bibliogrāfija
Obligātā literatūra
1.
Panesar, A. (2021). Machine learning and AI for healthcare: Big data for improved health outcomes. Apress.
2.
Lloyd, N., Khuman, A.S. (2022). AI in Healthcare: Malignant or Benign?. In: Chen, T., Carter, J., Mahmud, M., Khuman, A.S. (eds) Artificial Intelligence in Healthcare. Brain Informatics and Health. Springer, Singapore.
3.
Coravos A, Chen I., Gordhandas A., Stern A. D. 14.02.2019. We should treat algorithms like prescription drugs, Quartz.
4.
Food and Drug Administration. (2021). Good Machine Learning Practice for Medical Device Development: Guiding Principles.
Papildu literatūra
1.
Josef C. 01.02.2019. Does the “Artificial Intelligence Clinician” learn optimal treatment strategies for sepsis in intensive care?
2.
Eldakak, A., Alremeithi, A., Dahiyat, E. et al. (2024). Civil liability for the actions of autonomous AI in healthcare: an invitation to further contemplation. Humanit Soc Sci Commun 11, 305
3.
Mittal, S., Thakral, K., Singh, R. et al. (2024). On responsible machine learning datasets emphasizing fairness, privacy and regulatory norms with examples in biometrics and healthcare. Nat Mach Intell 6, 936–949.
4.
Bouderhem, R. (2024). Shaping the future of AI in healthcare through ethics and governance. Humanit Soc Sci Commun 11, 416
5.
Rotmensch, M., Halpern, Y., Tlimat, A. et al. (2017). Learning a Health Knowledge Graph from Electronic Medical Records. Sci Rep 7, 5994
6.
Food and Drug Administration. (2024). Transparency for Machine Learning-Enabled Medical Devices: Guiding Principles.
Citi informācijas avoti
1.
Wang, D., Khosla, A., Gargeya, R., Irshad, H., & Beck, A. H. (2016). Deep learning for identifying metastatic breast cancer. arXiv preprint arXiv:1606.05718.
2.
World Health Organization. (2024). Ethics and governance of artificial intelligence for health. Guidance on large multi-modal models. Licence: CC BY-NC-SA 3.0 IGO.
3.
EU AI Act