AI+ Doctor Practitioner™

1.1 A döntéstámogatástól a diagnosztikai intelligenciáig 1.2 Mitől egyedi az AI az orvoslásban? 1.3 A gépi tanulás típusai az orvoslásban 1.4 Gyakori algoritmusok és szerepük az egészségügyben 1.5 Valós felhasználási esetek az orvosi szakterületeken 1.6 Tévhitek az egészségügyi AI-ról 1.7 Valódi eszközök a klinikusok mai gyakorlatában 1.8 Gyakorlat: orvosi képelemzés a MediScan AI-jal

2.1 Bevezetés a neurális hálókba: az AI lehetőségeinek kiaknázása 2.2 Konvolúciós neurális hálók (CNN) vizuális adatokhoz: látás az AI szemével 2.3 Képalkotási modalitások az orvosi AI-ban: az AI többmodalitású látása 2.4 Modelltanítási munkafolyamat: az adatcímkézéstől az üzembe helyezésig, az AI életciklusa az orvoslásban 2.5 Ember és AI együttműködése a diagnózisban: a kiterjesztett intelligencia ereje 2.6 FDA által jóváhagyott AI-eszközök a diagnosztikai képalkotásban: bizalom és validálás 2.7 Gyakorlat: AI-alapú differenciáldiagnosztika a Symptomával

3.1 A klinikai adattípusok megértése: EHR, vitális paraméterek, laboreredmények 3.2 Strukturált és strukturálatlan adatok az orvoslásban 3.3 Az irányítópultok és a vizualizáció szerepe a klinikai döntésekben 3.4 Mintafelismerés és jelészlelés a betegadatokban 3.5 Veszélyeztetett betegek azonosítása trendek és AI-pontszámok alapján 3.6 Interaktív gyakorlat: AI-asszisztens a klinikai feljegyzések elemzéséhez

4.1 Prediktív modellek a kockázati rétegzéshez: szepszis és kórházi újrafelvételek 4.2 Logisztikus regresszió, döntési fák, ensemble modellek 4.3 Valós idejű riasztások: korai figyelmeztető rendszerek (MEWS, NEWS) 4.4 Szenzitivitás és specificitás: a mérőszám kiválasztása klinikai igény szerint 4.5 Intenzív osztályos és sürgősségi felhasználási esetek AI által kiváltott beavatkozásokra

5.1 Az egészségügyi NLP alapjai 5.2 Nagy nyelvi modellek (LLM) az orvoslásban 5.3 Prompt engineering klinikai környezetben 5.4 A generatív AI felhasználási esetei: összefoglalás, tanácsadási forgatókönyvek, fordítás 5.5 Ambiens intelligencia: a következő generációs klinikai dokumentáció 5.6 Az NLP és a generatív AI korlátai és kockázatai az orvoslásban 5.7 Esettanulmány: a klinikai dokumentáció átalakítása és a betegellátás javítása a Nabla Copilottal

6.1 Algoritmikus torzítás: rassz, nem és társadalmi-gazdasági hatások 6.2 Magyarázhatóság és átláthatóság (SHAP és LIME) 6.3 AI-validálás különböző populációkon 6.4 Szabályozási követelmények: HIPAA, GDPR, FDA/EMA megfelelés 6.5 Etikus AI-használati szabályzat kidolgozása 6.6 Esettanulmány: torzított pulzoximetriás mérés

7.1 Alapvető mérőszámok: az alapok 7.2 A tévesztési mátrix és a ROC-görbe értelmezése 7.3 A mérőszám és a klinikai kontextus párosítása 7.4 Az AI kimeneteinek értelmezése: jobb klinikai döntéshozatal 7.5 A gyártói állítások kritikus értékelése: a megbízhatóság és a hatékonyság biztosítása 7.6 Figyelmeztető jelek a kereskedelmi AI-eszközöknél: felismerés és kockázatcsökkentés 7.7 Ellenőrzőlista: „10 kérdés AI-eszköz vásárlása előtt” 7.8 Gyakorlat

8.1 Osztályspecifikus AI-felhasználási esetek azonosítása 8.2 Az AI illesztése a munkafolyamatokhoz (diagnózis előtt, kezelés, utánkövetés) 8.3 A pilot tervezése: ütemezés, adatok, visszacsatolási ciklusok 8.4 Csapatszerepek: klinikai támogató, AI-szakértő, IT-adminisztrátor 8.5 AI-hibák felügyelete: gyökérok-elemzés 8.6 Változáskezelés a klinikai csapatokban 8.7 Példa: sürgősségi munkafolyamat triázs-AI integrációval 8.8 AI-megoldások skálázása az egészségügyi rendszerben 8.9 Az AI hatásának és teljesítményének értékelése az üzembe helyezés után