Datu analīze un mākslīgais intelekts veselības aprūpē (VVDG_040)
Īsumā 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).
Rezultāti
- 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.
- 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.
- 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.
Plānojums
| Studiju programma | Studiju semestris | Programmas līmenis | Studiju kursa kategorija | Docētāji | Grafiks |
|---|---|---|---|---|---|
| Farmācija, FF | 8 | Maģistrs | Ierobežota izvēle | Daiga Behmane, Didzis Rūtītis, Uģis Kārlis Sprūdžs, Oskars Radziņš, Sergio Andres Uribe Espinoza, Jevgenijs Proskurins | |
| Farmācija, FF | 10 | Maģistrs | Ierobežota izvēle | Daiga Behmane, Didzis Rūtītis, Uģis Kārlis Sprūdžs, Oskars Radziņš, Sergio Andres Uribe Espinoza, Jevgenijs Proskurins | |
| Rehabilitācija, REHM | 4 | Maģistrs | Ierobežota izvēle | Didzis Rūtītis, Uģis Kārlis Sprūdžs, Oskars Radziņš, Sergio Andres Uribe Espinoza, Jevgenijs Proskurins | |
| Rūpnieciskā farmācija, FFRf | 2 | Maģistrs | Ierobežota izvēle | Daiga Behmane, Didzis Rūtītis, Uģis Kārlis Sprūdžs, Oskars Radziņš, Sergio Andres Uribe Espinoza, Jevgenijs Proskurins | |
| Sabiedrības veselība, SVFM | 2 | Maģistrs | Ierobežota izvēle | Daiga Behmane, Didzis Rūtītis, Uģis Kārlis Sprūdžs, Oskars Radziņš, Sergio Andres Uribe Espinoza, Jevgenijs Proskurins | |
| Tiesību zinātne, TZMjvpz | 3 | Maģistrs | Ierobežota izvēle | Daiga Behmane, Didzis Rūtītis, Uģis Kārlis Sprūdžs, Oskars Radziņš, Sergio Andres Uribe Espinoza, Jevgenijs Proskurins | |
| Tiesību zinātne, TZMp | 2 | Maģistrs | Ierobežota izvēle | Daiga Behmane, Didzis Rūtītis, Uģis Kārlis Sprūdžs, Oskars Radziņš, Sergio Andres Uribe Espinoza, Jevgenijs Proskurins |
| Studiju programma | Studiju semestris | Programmas līmenis | Studiju kursa kategorija | Docētāji | Grafiks |
|---|---|---|---|---|---|
| Farmācija, FF | 7 | Maģistrs | Ierobežota izvēle |
