.
Datu analīze un mākslīgais intelekts veselības aprūpē
Studiju kursa apraksts
Kursa apraksta statuss:Apstiprināts
Kursa apraksta versija:3.00
Kursa apraksta apstiprināšanas datums:02.02.2024 12:29:40
| Par studiju kursu | |||||||||
| Kursa kods: | VVDG_040 | LKI līmenis: | 7. līmenis | ||||||
| Kredītpunkti: | 2.00 | ECTS: | 3.00 | ||||||
| Zinātnes nozare: | Vadībzinātne; Uzņēmējdarbības vadība | Mērķauditorija: | Uzņēmējdarbības vadība; Vadībzinātne; Veselības vadība | ||||||
| Studiju kursa vadītājs | |||||||||
| Kursa vadītājs: | Uģis Kārlis Sprūdžs | ||||||||
| Studiju kursa īstenotājs | |||||||||
| Struktūrvienība: | Sociālo zinātņu fakultāte | ||||||||
| Struktūrvienības vadītājs: | |||||||||
| Kontaktinformācija: | Dzirciema iela 16, Rīga, szf rsu[pnkts]lv | ||||||||
| Studiju kursa plānojums | |||||||||
| Pilns laiks - 1. semestris | |||||||||
| Lekcijas (skaits) | 6 | Lekciju ilgums (akadēmiskās stundas) | 2 | Kopā lekciju kontaktstundas | 12 | ||||
| Nodarbības (skaits) | 6 | Nodarbību ilgums (akadēmiskās stundas) | 2 | Kopā nodarbību kontaktstundas | 12 | ||||
| Kopā kontaktstundas | 24 | ||||||||
| Studiju kursa apraksts | |||||||||
| 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). | ||||||||
| 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. | ||||||||
| Tēmu saraksts (pilna laika studijas) | |||||||||
| Nr. | Tēma | Īstenošanas forma | Skaits | Norises vieta | |||||
| 1 | Datu analīzes tehnoloģijas un datu vizualizācija datu izpētes analīzē | Lekcijas | 2.00 | auditorija | |||||
| Nodarbības | 1.00 | datorklase | |||||||
| 2 | Mākslīgā intelekta pielietošana veselības aprūpē | Lekcijas | 2.00 | auditorija | |||||
| Nodarbības | 1.00 | datorklase | |||||||
| 3 | Mašīnmācīšanās pielietošana prognostiskajā analīzē veselības aprūpē | Lekcijas | 1.00 | auditorija | |||||
| Nodarbības | 2.00 | datorklase | |||||||
| 4 | Dziļās mācīšanas pielietošana prognostiskajā analīzē veselības aprūpē | Lekcijas | 1.00 | auditorija | |||||
| Nodarbības | 2.00 | datorklase | |||||||
| Vērtēšana | |||||||||
| 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. | ||||||||
| Vērtēšanas kritēriji: | Studiju kursa vērtējums: gala eksāmena testa vērtējums. Eksāmens ir pieejams tiem studējošajiem, kuri ir sekmīgi izpildījuši pārbaudes darbu par visām kursa tēmām. | ||||||||
| Gala pārbaudījums (pilna laika studijas): | Eksāmens | ||||||||
| Gala pārbaudījums (nepilna laika studijas): | |||||||||
| Studiju rezultāti | |||||||||
| Zināšanas: | - 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: | - 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: | - 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. | ||||||||
| Bibliogrāfija | |||||||||
| Nr. | Atsauce | ||||||||
| 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 | ||||||||
