ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಕಲಿಸುವ ಕೆನಡಾದ ದೃಷ್ಟಿಕೋನ

Nature.com ಗೆ ಭೇಟಿ ನೀಡಿದ್ದಕ್ಕಾಗಿ ಧನ್ಯವಾದಗಳು.ನೀವು ಬಳಸುತ್ತಿರುವ ಬ್ರೌಸರ್ ಆವೃತ್ತಿಯು ಸೀಮಿತ CSS ಬೆಂಬಲವನ್ನು ಹೊಂದಿದೆ.ಉತ್ತಮ ಫಲಿತಾಂಶಗಳಿಗಾಗಿ, ನಿಮ್ಮ ಬ್ರೌಸರ್‌ನ ಹೊಸ ಆವೃತ್ತಿಯನ್ನು ಬಳಸಲು ನಾವು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ (ಅಥವಾ ಇಂಟರ್ನೆಟ್ ಎಕ್ಸ್‌ಪ್ಲೋರರ್‌ನಲ್ಲಿ ಹೊಂದಾಣಿಕೆ ಮೋಡ್ ಅನ್ನು ಆಫ್ ಮಾಡಿ).ಈ ಮಧ್ಯೆ, ನಡೆಯುತ್ತಿರುವ ಬೆಂಬಲವನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು, ನಾವು ಸ್ಟೈಲಿಂಗ್ ಅಥವಾ ಜಾವಾಸ್ಕ್ರಿಪ್ಟ್ ಇಲ್ಲದೆ ಸೈಟ್ ಅನ್ನು ತೋರಿಸುತ್ತಿದ್ದೇವೆ.
ಕ್ಲಿನಿಕಲ್ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ (AI) ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ವೇಗವಾಗಿ ಬೆಳೆಯುತ್ತಿವೆ, ಆದರೆ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವೈದ್ಯಕೀಯ ಶಾಲಾ ಪಠ್ಯಕ್ರಮವು ಈ ಪ್ರದೇಶದಲ್ಲಿ ಸೀಮಿತ ಬೋಧನೆಯನ್ನು ನೀಡುತ್ತದೆ.ಕೆನಡಾದ ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ನಾವು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಮತ್ತು ವಿತರಿಸಿದ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ತರಬೇತಿ ಕೋರ್ಸ್ ಅನ್ನು ನಾವು ಇಲ್ಲಿ ವಿವರಿಸುತ್ತೇವೆ ಮತ್ತು ಭವಿಷ್ಯದ ತರಬೇತಿಗಾಗಿ ಶಿಫಾರಸುಗಳನ್ನು ಮಾಡುತ್ತೇವೆ.
ವೈದ್ಯಕೀಯದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಕಾರ್ಯಸ್ಥಳದ ದಕ್ಷತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಳಕೆಯನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ಮಾರ್ಗದರ್ಶನ ಮಾಡಲು, ವೈದ್ಯರು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಗ್ಗೆ ಸ್ವಲ್ಪ ತಿಳುವಳಿಕೆಯನ್ನು ಹೊಂದಿರಬೇಕು.ಅನೇಕ ಕಾಮೆಂಟ್‌ಗಳು AI ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಬೋಧಿಸುವುದನ್ನು ಪ್ರತಿಪಾದಿಸುತ್ತವೆ, ಉದಾಹರಣೆಗೆ AI ಮಾದರಿಗಳು ಮತ್ತು ಪರಿಶೀಲನೆ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ವಿವರಿಸುವುದು2.ಆದಾಗ್ಯೂ, ಕೆಲವು ರಚನಾತ್ಮಕ ಯೋಜನೆಗಳನ್ನು ವಿಶೇಷವಾಗಿ ರಾಷ್ಟ್ರೀಯ ಮಟ್ಟದಲ್ಲಿ ಕಾರ್ಯಗತಗೊಳಿಸಲಾಗಿದೆ.ಪಿಂಟೋ ಡಾಸ್ ಸ್ಯಾಂಟೋಸ್ ಮತ್ತು ಇತರರು.3.263 ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಸಮೀಕ್ಷೆಗೆ ಒಳಪಡಿಸಲಾಯಿತು ಮತ್ತು 71% ಜನರು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ತರಬೇತಿಯ ಅಗತ್ಯವಿದೆ ಎಂದು ಒಪ್ಪಿಕೊಂಡರು.ವೈದ್ಯಕೀಯ ಪ್ರೇಕ್ಷಕರಿಗೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಬೋಧಿಸಲು, ಸಾಮಾನ್ಯವಾಗಿ ವ್ಯಾಪಕವಾದ ಪೂರ್ವ ಜ್ಞಾನವನ್ನು ಹೊಂದಿರುವ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ತಾಂತ್ರಿಕ ಮತ್ತು ತಾಂತ್ರಿಕವಲ್ಲದ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಎಚ್ಚರಿಕೆಯ ವಿನ್ಯಾಸದ ಅಗತ್ಯವಿದೆ.ಮೂರು ಗುಂಪುಗಳ ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ AI ಕಾರ್ಯಾಗಾರಗಳ ಸರಣಿಯನ್ನು ತಲುಪಿಸುವ ನಮ್ಮ ಅನುಭವವನ್ನು ನಾವು ವಿವರಿಸುತ್ತೇವೆ ಮತ್ತು AI ನಲ್ಲಿ ಭವಿಷ್ಯದ ವೈದ್ಯಕೀಯ ಶಿಕ್ಷಣಕ್ಕಾಗಿ ಶಿಫಾರಸುಗಳನ್ನು ಮಾಡುತ್ತೇವೆ.
ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ನಮ್ಮ ಐದು ವಾರಗಳ ಕಾಲದ ಪರಿಚಯವನ್ನು ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಇನ್ ಮೆಡಿಸಿನ್ ಕಾರ್ಯಾಗಾರವನ್ನು ಫೆಬ್ರವರಿ 2019 ಮತ್ತು ಏಪ್ರಿಲ್ 2021 ರ ನಡುವೆ ಮೂರು ಬಾರಿ ನಡೆಸಲಾಯಿತು. ಪ್ರತಿ ಕಾರ್ಯಾಗಾರದ ವೇಳಾಪಟ್ಟಿ, ಕೋರ್ಸ್‌ಗೆ ಬದಲಾವಣೆಗಳ ಸಂಕ್ಷಿಪ್ತ ವಿವರಣೆಯನ್ನು ಚಿತ್ರ 1 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ನಮ್ಮ ಕೋರ್ಸ್ ಮೂರು ಪ್ರಾಥಮಿಕ ಕಲಿಕೆಯ ಉದ್ದೇಶಗಳು: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಲ್ಲಿ ಡೇಟಾವನ್ನು ಹೇಗೆ ಸಂಸ್ಕರಿಸಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ವಿದ್ಯಾರ್ಥಿಗಳು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತಾರೆ, ಕ್ಲಿನಿಕಲ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗಾಗಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಾಹಿತ್ಯವನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತಾರೆ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಎಂಜಿನಿಯರ್‌ಗಳೊಂದಿಗೆ ಸಹಯೋಗಿಸಲು ಅವಕಾಶಗಳ ಲಾಭವನ್ನು ಪಡೆದುಕೊಳ್ಳುತ್ತಾರೆ.
ನೀಲಿ ಬಣ್ಣವು ಉಪನ್ಯಾಸದ ವಿಷಯವಾಗಿದೆ ಮತ್ತು ತಿಳಿ ನೀಲಿ ಸಂವಾದಾತ್ಮಕ ಪ್ರಶ್ನೋತ್ತರ ಅವಧಿಯಾಗಿದೆ.ಬೂದು ವಿಭಾಗವು ಸಂಕ್ಷಿಪ್ತ ಸಾಹಿತ್ಯ ವಿಮರ್ಶೆಯ ಕೇಂದ್ರವಾಗಿದೆ.ಕಿತ್ತಳೆ ವಿಭಾಗಗಳು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮಾದರಿಗಳು ಅಥವಾ ತಂತ್ರಗಳನ್ನು ವಿವರಿಸುವ ಕೇಸ್ ಸ್ಟಡಿಗಳನ್ನು ಆಯ್ಕೆಮಾಡಲಾಗಿದೆ.ಗ್ರೀನ್ ಕ್ಲಿನಿಕಲ್ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಕಲಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಮಾರ್ಗದರ್ಶಿ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಕೋರ್ಸ್ ಆಗಿದೆ.ವಿದ್ಯಾರ್ಥಿಗಳ ಅಗತ್ಯಗಳ ಮೌಲ್ಯಮಾಪನದ ಆಧಾರದ ಮೇಲೆ ಕಾರ್ಯಾಗಾರಗಳ ವಿಷಯ ಮತ್ತು ಅವಧಿಯು ಬದಲಾಗುತ್ತದೆ.
ಮೊದಲ ಕಾರ್ಯಾಗಾರವನ್ನು ಬ್ರಿಟಿಷ್ ಕೊಲಂಬಿಯಾ ವಿಶ್ವವಿದ್ಯಾಲಯದಲ್ಲಿ ಫೆಬ್ರವರಿಯಿಂದ ಏಪ್ರಿಲ್ 2019 ರವರೆಗೆ ನಡೆಸಲಾಯಿತು ಮತ್ತು ಎಲ್ಲಾ 8 ಭಾಗವಹಿಸುವವರು ಸಕಾರಾತ್ಮಕ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನೀಡಿದರು.COVID-19 ಕಾರಣದಿಂದಾಗಿ, ಎರಡನೇ ಕಾರ್ಯಾಗಾರವನ್ನು ವಾಸ್ತವಿಕವಾಗಿ ಅಕ್ಟೋಬರ್-ನವೆಂಬರ್ 2020 ರಲ್ಲಿ ನಡೆಸಲಾಯಿತು, 8 ಕೆನಡಾದ ವೈದ್ಯಕೀಯ ಶಾಲೆಗಳಿಂದ 222 ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳು ಮತ್ತು 3 ನಿವಾಸಿಗಳು ನೋಂದಾಯಿಸಿಕೊಂಡಿದ್ದಾರೆ.ಪ್ರಸ್ತುತಿ ಸ್ಲೈಡ್‌ಗಳು ಮತ್ತು ಕೋಡ್ ಅನ್ನು ತೆರೆದ ಪ್ರವೇಶ ಸೈಟ್‌ಗೆ ಅಪ್‌ಲೋಡ್ ಮಾಡಲಾಗಿದೆ (http://ubcaimed.github.io).ಮೊದಲ ಪುನರಾವರ್ತನೆಯ ಪ್ರಮುಖ ಪ್ರತಿಕ್ರಿಯೆಯೆಂದರೆ, ಉಪನ್ಯಾಸಗಳು ತುಂಬಾ ತೀವ್ರವಾದವು ಮತ್ತು ವಸ್ತುವು ತುಂಬಾ ಸೈದ್ಧಾಂತಿಕವಾಗಿದೆ.ಕೆನಡಾದ ಆರು ವಿಭಿನ್ನ ಸಮಯ ವಲಯಗಳನ್ನು ಪೂರೈಸುವುದು ಹೆಚ್ಚುವರಿ ಸವಾಲುಗಳನ್ನು ಒಡ್ಡುತ್ತದೆ.ಹೀಗಾಗಿ, ಎರಡನೇ ಕಾರ್ಯಾಗಾರವು ಪ್ರತಿ ಸೆಷನ್ ಅನ್ನು 1 ಗಂಟೆಗೆ ಮೊಟಕುಗೊಳಿಸಿತು, ಕೋರ್ಸ್ ಮೆಟೀರಿಯಲ್ ಅನ್ನು ಸರಳಗೊಳಿಸಿತು, ಹೆಚ್ಚಿನ ಕೇಸ್ ಸ್ಟಡೀಸ್ ಅನ್ನು ಸೇರಿಸಿತು ಮತ್ತು ಭಾಗವಹಿಸುವವರಿಗೆ ಕನಿಷ್ಠ ಡೀಬಗ್ ಮಾಡುವಿಕೆಯೊಂದಿಗೆ (ಬಾಕ್ಸ್ 1) ಕೋಡ್ ತುಣುಕುಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಅನುಮತಿಸುವ ಬಾಯ್ಲರ್‌ಪ್ಲೇಟ್ ಕಾರ್ಯಕ್ರಮಗಳನ್ನು ರಚಿಸಿತು.ಎರಡನೇ ಪುನರಾವರ್ತನೆಯ ಪ್ರಮುಖ ಪ್ರತಿಕ್ರಿಯೆಯು ಪ್ರೋಗ್ರಾಮಿಂಗ್ ವ್ಯಾಯಾಮಗಳ ಮೇಲೆ ಧನಾತ್ಮಕ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯ ಯೋಜನೆಗಾಗಿ ಯೋಜನೆಯನ್ನು ಪ್ರದರ್ಶಿಸಲು ವಿನಂತಿಯನ್ನು ಒಳಗೊಂಡಿದೆ.ಆದ್ದರಿಂದ, ಮಾರ್ಚ್-ಏಪ್ರಿಲ್ 2021 ರಲ್ಲಿ 126 ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ವಾಸ್ತವಿಕವಾಗಿ ನಡೆದ ನಮ್ಮ ಮೂರನೇ ಕಾರ್ಯಾಗಾರದಲ್ಲಿ, ಪ್ರಾಜೆಕ್ಟ್‌ಗಳಲ್ಲಿ ಕಾರ್ಯಾಗಾರದ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಬಳಸುವ ಪರಿಣಾಮವನ್ನು ಪ್ರದರ್ಶಿಸಲು ನಾವು ಹೆಚ್ಚು ಸಂವಾದಾತ್ಮಕ ಕೋಡಿಂಗ್ ವ್ಯಾಯಾಮಗಳು ಮತ್ತು ಪ್ರಾಜೆಕ್ಟ್ ಪ್ರತಿಕ್ರಿಯೆ ಅವಧಿಗಳನ್ನು ಸೇರಿಸಿದ್ದೇವೆ.
ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ: ದತ್ತಾಂಶ ಮಾದರಿಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವ, ಸಂಸ್ಕರಿಸುವ ಮತ್ತು ಸಂವಹನ ಮಾಡುವ ಮೂಲಕ ಡೇಟಾದಲ್ಲಿ ಅರ್ಥಪೂರ್ಣ ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸುವ ಅಂಕಿಅಂಶಗಳಲ್ಲಿನ ಅಧ್ಯಯನದ ಕ್ಷೇತ್ರವಾಗಿದೆ.
ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ: ಡೇಟಾವನ್ನು ಗುರುತಿಸುವ ಮತ್ತು ಹೊರತೆಗೆಯುವ ಪ್ರಕ್ರಿಯೆ.ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸಂದರ್ಭದಲ್ಲಿ, ಇದು ಪ್ರತಿ ಮಾದರಿಗೆ ಅನೇಕ ಅಸ್ಥಿರಗಳೊಂದಿಗೆ ಹೆಚ್ಚಾಗಿ ದೊಡ್ಡದಾಗಿರುತ್ತದೆ.
ಆಯಾಮದ ಕಡಿತ: ಮೂಲ ಡೇಟಾ ಸೆಟ್‌ನ ಪ್ರಮುಖ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಸಂರಕ್ಷಿಸುವಾಗ ಅನೇಕ ವೈಯಕ್ತಿಕ ವೈಶಿಷ್ಟ್ಯಗಳೊಂದಿಗೆ ಡೇಟಾವನ್ನು ಕಡಿಮೆ ವೈಶಿಷ್ಟ್ಯಗಳಾಗಿ ಪರಿವರ್ತಿಸುವ ಪ್ರಕ್ರಿಯೆ.
ಗುಣಲಕ್ಷಣಗಳು (ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸಂದರ್ಭದಲ್ಲಿ): ಮಾದರಿಯ ಅಳೆಯಬಹುದಾದ ಗುಣಲಕ್ಷಣಗಳು.ಸಾಮಾನ್ಯವಾಗಿ "ಆಸ್ತಿ" ಅಥವಾ "ವೇರಿಯಬಲ್" ನೊಂದಿಗೆ ಪರ್ಯಾಯವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ.
ಗ್ರೇಡಿಯಂಟ್ ಆಕ್ಟಿವೇಶನ್ ಮ್ಯಾಪ್: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮಾದರಿಗಳನ್ನು (ವಿಶೇಷವಾಗಿ ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳು) ಅರ್ಥೈಸಲು ಬಳಸುವ ತಂತ್ರ, ಇದು ಹೆಚ್ಚು ಭವಿಷ್ಯಸೂಚಕವಾಗಿರುವ ಡೇಟಾ ಅಥವಾ ಚಿತ್ರಗಳ ಪ್ರದೇಶಗಳನ್ನು ಗುರುತಿಸಲು ನೆಟ್‌ವರ್ಕ್‌ನ ಕೊನೆಯ ಭಾಗವನ್ನು ಉತ್ತಮಗೊಳಿಸುವ ಪ್ರಕ್ರಿಯೆಯನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತದೆ.
ಪ್ರಮಾಣಿತ ಮಾದರಿ: ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ AI ಮಾದರಿಯು ಇದೇ ರೀತಿಯ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದಿದೆ.
ಪರೀಕ್ಷೆ (ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸಂದರ್ಭದಲ್ಲಿ): ಮಾದರಿಯು ತಾನು ಮೊದಲು ಎದುರಿಸದ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ಹೇಗೆ ಕಾರ್ಯವನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಗಮನಿಸುವುದು.
ತರಬೇತಿ (ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸಂದರ್ಭದಲ್ಲಿ): ಡೇಟಾ ಮತ್ತು ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಮಾದರಿಯನ್ನು ಒದಗಿಸುವುದು ಇದರಿಂದ ಮಾದರಿಯು ಹೊಸ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಉತ್ತಮಗೊಳಿಸಲು ಅದರ ಆಂತರಿಕ ನಿಯತಾಂಕಗಳನ್ನು ಸರಿಹೊಂದಿಸುತ್ತದೆ.
ವೆಕ್ಟರ್: ಡೇಟಾದ ಶ್ರೇಣಿ.ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ, ಪ್ರತಿ ರಚನೆಯ ಅಂಶವು ಸಾಮಾನ್ಯವಾಗಿ ಮಾದರಿಯ ವಿಶಿಷ್ಟ ಲಕ್ಷಣವಾಗಿದೆ.
ಪ್ರತಿ ವಿಷಯದ ಉದ್ದೇಶಿತ ಕಲಿಕೆಯ ಉದ್ದೇಶಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಏಪ್ರಿಲ್ 2021 ರ ಇತ್ತೀಚಿನ ಕೋರ್ಸ್‌ಗಳನ್ನು ಟೇಬಲ್ 1 ಪಟ್ಟಿ ಮಾಡುತ್ತದೆ.ಈ ಕಾರ್ಯಾಗಾರವು ತಾಂತ್ರಿಕ ಮಟ್ಟಕ್ಕೆ ಹೊಸಬರಿಗೆ ಉದ್ದೇಶಿಸಲಾಗಿದೆ ಮತ್ತು ಪದವಿಪೂರ್ವ ವೈದ್ಯಕೀಯ ಪದವಿಯ ಮೊದಲ ವರ್ಷವನ್ನು ಮೀರಿ ಯಾವುದೇ ಗಣಿತ ಜ್ಞಾನದ ಅಗತ್ಯವಿರುವುದಿಲ್ಲ.ಈ ಕೋರ್ಸ್ ಅನ್ನು 6 ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳು ಮತ್ತು ಇಂಜಿನಿಯರಿಂಗ್‌ನಲ್ಲಿ ಉನ್ನತ ಪದವಿಗಳನ್ನು ಹೊಂದಿರುವ 3 ಶಿಕ್ಷಕರು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ.ಎಂಜಿನಿಯರ್‌ಗಳು ಕಲಿಸಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಿದ್ಧಾಂತವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಿದ್ದಾರೆ ಮತ್ತು ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಸಂಬಂಧಿತ ವಸ್ತುಗಳನ್ನು ಕಲಿಯುತ್ತಿದ್ದಾರೆ.
ಕಾರ್ಯಾಗಾರಗಳಲ್ಲಿ ಉಪನ್ಯಾಸಗಳು, ಕೇಸ್ ಸ್ಟಡೀಸ್ ಮತ್ತು ಮಾರ್ಗದರ್ಶಿ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಸೇರಿವೆ.ಮೊದಲ ಉಪನ್ಯಾಸದಲ್ಲಿ, ಡೇಟಾ ದೃಶ್ಯೀಕರಣ, ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ ಮತ್ತು ವಿವರಣಾತ್ಮಕ ಮತ್ತು ಅನುಗಮನದ ಅಂಕಿಅಂಶಗಳ ಹೋಲಿಕೆ ಸೇರಿದಂತೆ ಬಯೋಸ್ಟಾಟಿಸ್ಟಿಕ್ಸ್‌ನಲ್ಲಿ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯ ಆಯ್ದ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ನಾವು ಪರಿಶೀಲಿಸುತ್ತೇವೆ.ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಅಡಿಪಾಯವಾಗಿದ್ದರೂ, ಡೇಟಾ ಮೈನಿಂಗ್, ಪ್ರಾಮುಖ್ಯತೆ ಪರೀಕ್ಷೆ ಅಥವಾ ಸಂವಾದಾತ್ಮಕ ದೃಶ್ಯೀಕರಣದಂತಹ ವಿಷಯಗಳನ್ನು ನಾವು ಹೊರಗಿಡುತ್ತೇವೆ.ಇದು ಸಮಯದ ನಿರ್ಬಂಧಗಳ ಕಾರಣದಿಂದಾಗಿ ಮತ್ತು ಕೆಲವು ಪದವಿಪೂರ್ವ ವಿದ್ಯಾರ್ಥಿಗಳು ಜೈವಿಕ ಅಂಕಿಅಂಶಗಳಲ್ಲಿ ಪೂರ್ವ ತರಬೇತಿಯನ್ನು ಹೊಂದಿದ್ದರು ಮತ್ತು ಹೆಚ್ಚು ವಿಶಿಷ್ಟವಾದ ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಷಯಗಳನ್ನು ಒಳಗೊಳ್ಳಲು ಬಯಸಿದ್ದರು.ನಂತರದ ಉಪನ್ಯಾಸವು ಆಧುನಿಕ ವಿಧಾನಗಳನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ ಮತ್ತು AI ಸಮಸ್ಯೆಯ ಸೂತ್ರೀಕರಣ, AI ಮಾದರಿಗಳ ಅನುಕೂಲಗಳು ಮತ್ತು ಮಿತಿಗಳು ಮತ್ತು ಮಾದರಿ ಪರೀಕ್ಷೆಯನ್ನು ಚರ್ಚಿಸುತ್ತದೆ.ಉಪನ್ಯಾಸಗಳು ಸಾಹಿತ್ಯ ಮತ್ತು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಾಧನಗಳ ಪ್ರಾಯೋಗಿಕ ಸಂಶೋಧನೆಯಿಂದ ಪೂರಕವಾಗಿವೆ.ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಾಧನಗಳ ಮಿತಿಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಸೇರಿದಂತೆ ಕ್ಲಿನಿಕಲ್ ಪ್ರಶ್ನೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಮಾದರಿಯ ಪರಿಣಾಮಕಾರಿತ್ವ ಮತ್ತು ಕಾರ್ಯಸಾಧ್ಯತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಅಗತ್ಯವಿರುವ ಕೌಶಲ್ಯಗಳನ್ನು ನಾವು ಒತ್ತಿಹೇಳುತ್ತೇವೆ.ಉದಾಹರಣೆಗೆ, ವೈದ್ಯರ ಪರೀಕ್ಷೆಯ ಆಧಾರದ ಮೇಲೆ CT ಸ್ಕ್ಯಾನ್ ಉಪಯುಕ್ತವಾಗಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ನಿರ್ಧಾರ ಟ್ರೀ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಅಳವಡಿಸಿದ ಕುಪ್ಪರ್‌ಮ್ಯಾನ್ ಮತ್ತು ಇತರರು ಪ್ರಸ್ತಾಪಿಸಿದ ಮಕ್ಕಳ ತಲೆ ಗಾಯದ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಅರ್ಥೈಸಲು ನಾವು ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಕೇಳಿದ್ದೇವೆ.ವೈದ್ಯರನ್ನು ಬದಲಿಸುವ ಬದಲು ವೈದ್ಯರಿಗೆ ಅರ್ಥೈಸಲು AI ಭವಿಷ್ಯಸೂಚಕ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಒದಗಿಸುವ ಸಾಮಾನ್ಯ ಉದಾಹರಣೆಯಾಗಿದೆ ಎಂದು ನಾವು ಒತ್ತಿಹೇಳುತ್ತೇವೆ.
ಲಭ್ಯವಿರುವ ಓಪನ್ ಸೋರ್ಸ್ ಬೂಟ್‌ಸ್ಟ್ರ್ಯಾಪ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಉದಾಹರಣೆಗಳಲ್ಲಿ (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ನಾವು ಪರಿಶೋಧಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ, ಆಯಾಮ ಕಡಿತ, ಪ್ರಮಾಣಿತ ಮಾದರಿ ಲೋಡಿಂಗ್ ಮತ್ತು ತರಬೇತಿಯನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸಬೇಕು ಎಂಬುದನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತೇವೆ. .ಮತ್ತು ಪರೀಕ್ಷೆ.ನಾವು ವೆಬ್ ಬ್ರೌಸರ್‌ನಿಂದ ಪೈಥಾನ್ ಕೋಡ್ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಅನುಮತಿಸುವ Google Colaboratory ನೋಟ್‌ಬುಕ್‌ಗಳನ್ನು (Google LLC, ಮೌಂಟೇನ್ ವ್ಯೂ, CA) ಬಳಸುತ್ತೇವೆ.ಅಂಜೂರದಲ್ಲಿ ಚಿತ್ರ 2 ಪ್ರೋಗ್ರಾಮಿಂಗ್ ವ್ಯಾಯಾಮದ ಉದಾಹರಣೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ.ಈ ವ್ಯಾಯಾಮವು ವಿಸ್ಕಾನ್ಸಿನ್ ಓಪನ್ ಬ್ರೆಸ್ಟ್ ಇಮೇಜಿಂಗ್ ಡೇಟಾಸೆಟ್ 6 ಮತ್ತು ನಿರ್ಧಾರ ಟ್ರೀ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಮಾರಣಾಂತಿಕತೆಯನ್ನು ಊಹಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ.
ಸಂಬಂಧಿತ ವಿಷಯಗಳ ಕುರಿತು ವಾರವಿಡೀ ಕಾರ್ಯಕ್ರಮಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಿ ಮತ್ತು ಪ್ರಕಟಿಸಿದ AI ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಂದ ಉದಾಹರಣೆಗಳನ್ನು ಆಯ್ಕೆಮಾಡಿ.ಭವಿಷ್ಯದ ಕ್ಲಿನಿಕಲ್ ಅಭ್ಯಾಸದ ಒಳನೋಟವನ್ನು ಒದಗಿಸಲು ಅವು ಸೂಕ್ತವೆಂದು ಪರಿಗಣಿಸಿದರೆ ಮಾತ್ರ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಅಂಶಗಳನ್ನು ಸೇರಿಸಲಾಗುತ್ತದೆ, ಉದಾಹರಣೆಗೆ, ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗಗಳಲ್ಲಿ ಬಳಸಲು ಸಿದ್ಧವಾಗಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ಮಾದರಿಗಳನ್ನು ಹೇಗೆ ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು.ಈ ಉದಾಹರಣೆಗಳು ಪೂರ್ಣ-ಪ್ರಮಾಣದ ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿ ಕೊನೆಗೊಳ್ಳುತ್ತವೆ, ಇದು ವೈದ್ಯಕೀಯ ಚಿತ್ರ ನಿಯತಾಂಕಗಳ ಆಧಾರದ ಮೇಲೆ ಗೆಡ್ಡೆಗಳನ್ನು ಹಾನಿಕರವಲ್ಲದ ಅಥವಾ ಮಾರಣಾಂತಿಕ ಎಂದು ವರ್ಗೀಕರಿಸುತ್ತದೆ.
ಪೂರ್ವ ಜ್ಞಾನದ ವೈವಿಧ್ಯತೆ.ನಮ್ಮ ಭಾಗವಹಿಸುವವರು ತಮ್ಮ ಗಣಿತದ ಜ್ಞಾನದ ಮಟ್ಟದಲ್ಲಿ ಬದಲಾಗಿದ್ದಾರೆ.ಉದಾಹರಣೆಗೆ, ಸುಧಾರಿತ ಎಂಜಿನಿಯರಿಂಗ್ ಹಿನ್ನೆಲೆ ಹೊಂದಿರುವ ವಿದ್ಯಾರ್ಥಿಗಳು ತಮ್ಮದೇ ಆದ ಫೋರಿಯರ್ ರೂಪಾಂತರಗಳನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸುವುದು ಎಂಬುದರಂತಹ ಹೆಚ್ಚು ಆಳವಾದ ವಸ್ತುಗಳನ್ನು ಹುಡುಕುತ್ತಿದ್ದಾರೆ.ಆದಾಗ್ಯೂ, ಫೋರಿಯರ್ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ತರಗತಿಯಲ್ಲಿ ಚರ್ಚಿಸುವುದು ಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ ಏಕೆಂದರೆ ಇದಕ್ಕೆ ಸಂಕೇತ ಸಂಸ್ಕರಣೆಯ ಆಳವಾದ ಜ್ಞಾನದ ಅಗತ್ಯವಿರುತ್ತದೆ.
ಹಾಜರಾತಿ ಹೊರಹರಿವು.ವಿಶೇಷವಾಗಿ ಆನ್‌ಲೈನ್ ಫಾರ್ಮ್ಯಾಟ್‌ಗಳಲ್ಲಿ ಫಾಲೋ-ಅಪ್ ಮೀಟಿಂಗ್‌ಗಳಲ್ಲಿ ಹಾಜರಾತಿ ಕಡಿಮೆಯಾಗಿದೆ.ಹಾಜರಾತಿಯನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುವುದು ಮತ್ತು ಪೂರ್ಣಗೊಂಡ ಪ್ರಮಾಣಪತ್ರವನ್ನು ಒದಗಿಸುವುದು ಪರಿಹಾರವಾಗಿದೆ.ವೈದ್ಯಕೀಯ ಶಾಲೆಗಳು ವಿದ್ಯಾರ್ಥಿಗಳ ಪಠ್ಯೇತರ ಶೈಕ್ಷಣಿಕ ಚಟುವಟಿಕೆಗಳ ಪ್ರತಿಗಳನ್ನು ಗುರುತಿಸಲು ಹೆಸರುವಾಸಿಯಾಗಿದೆ, ಇದು ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಪದವಿಯನ್ನು ಮುಂದುವರಿಸಲು ಉತ್ತೇಜಿಸುತ್ತದೆ.
ಕೋರ್ಸ್ ವಿನ್ಯಾಸ: AI ಹಲವು ಉಪಕ್ಷೇತ್ರಗಳನ್ನು ವ್ಯಾಪಿಸಿರುವ ಕಾರಣ, ಸೂಕ್ತವಾದ ಆಳ ಮತ್ತು ಅಗಲದ ಮುಖ್ಯ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು ಸವಾಲಿನ ಸಂಗತಿಯಾಗಿದೆ.ಉದಾಹರಣೆಗೆ, ಪ್ರಯೋಗಾಲಯದಿಂದ ಕ್ಲಿನಿಕ್‌ಗೆ AI ಉಪಕರಣಗಳ ಬಳಕೆಯ ನಿರಂತರತೆಯು ಒಂದು ಪ್ರಮುಖ ವಿಷಯವಾಗಿದೆ.ನಾವು ಡೇಟಾ ಪ್ರಿಪ್ರೊಸೆಸಿಂಗ್, ಮಾಡೆಲ್ ಬಿಲ್ಡಿಂಗ್ ಮತ್ತು ಮೌಲ್ಯೀಕರಣವನ್ನು ಒಳಗೊಂಡಿರುವಾಗ, ನಾವು ದೊಡ್ಡ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ, ಸಂವಾದಾತ್ಮಕ ದೃಶ್ಯೀಕರಣ ಅಥವಾ AI ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗಗಳನ್ನು ನಡೆಸುವಂತಹ ವಿಷಯಗಳನ್ನು ಸೇರಿಸುವುದಿಲ್ಲ, ಬದಲಿಗೆ ನಾವು ಅತ್ಯಂತ ವಿಶಿಷ್ಟವಾದ AI ಪರಿಕಲ್ಪನೆಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತೇವೆ.ನಮ್ಮ ಮಾರ್ಗದರ್ಶಿ ಸೂತ್ರವೆಂದರೆ ಸಾಕ್ಷರತೆಯನ್ನು ಸುಧಾರಿಸುವುದು, ಕೌಶಲ್ಯವಲ್ಲ.ಉದಾಹರಣೆಗೆ, ಒಂದು ಮಾದರಿಯು ಇನ್‌ಪುಟ್ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೇಗೆ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಅರ್ಥವಿವರಣೆಗಾಗಿ ಮುಖ್ಯವಾಗಿದೆ.ಇದನ್ನು ಮಾಡಲು ಒಂದು ಮಾರ್ಗವೆಂದರೆ ಗ್ರೇಡಿಯಂಟ್ ಸಕ್ರಿಯಗೊಳಿಸುವ ನಕ್ಷೆಗಳನ್ನು ಬಳಸುವುದು, ಇದು ಡೇಟಾದ ಯಾವ ಪ್ರದೇಶಗಳನ್ನು ಊಹಿಸಬಹುದು ಎಂಬುದನ್ನು ದೃಶ್ಯೀಕರಿಸಬಹುದು.ಆದಾಗ್ಯೂ, ಇದಕ್ಕೆ ಮಲ್ಟಿವೇರಿಯೇಟ್ ಕಲನಶಾಸ್ತ್ರದ ಅಗತ್ಯವಿದೆ ಮತ್ತು ಇದನ್ನು ಪರಿಚಯಿಸಲಾಗುವುದಿಲ್ಲ8.ಗಣಿತದ ಔಪಚಾರಿಕತೆ ಇಲ್ಲದೆ ವೆಕ್ಟರ್‌ಗಳಂತೆ ಡೇಟಾವನ್ನು ಹೇಗೆ ಕೆಲಸ ಮಾಡುವುದು ಎಂಬುದನ್ನು ವಿವರಿಸಲು ನಾವು ಪ್ರಯತ್ನಿಸುತ್ತಿರುವ ಕಾರಣ ಸಾಮಾನ್ಯ ಪರಿಭಾಷೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು ಸವಾಲಾಗಿತ್ತು.ವಿಭಿನ್ನ ಪದಗಳು ಒಂದೇ ಅರ್ಥವನ್ನು ಹೊಂದಿವೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ, ಉದಾಹರಣೆಗೆ, ಸಾಂಕ್ರಾಮಿಕ ರೋಗಶಾಸ್ತ್ರದಲ್ಲಿ, "ವಿಶಿಷ್ಟ" ವನ್ನು "ವೇರಿಯಬಲ್" ಅಥವಾ "ಗುಣಲಕ್ಷಣ" ಎಂದು ವಿವರಿಸಲಾಗಿದೆ.
ಜ್ಞಾನ ಧಾರಣ.AI ಯ ಅನ್ವಯವು ಸೀಮಿತವಾಗಿರುವುದರಿಂದ, ಭಾಗವಹಿಸುವವರು ಎಷ್ಟು ಮಟ್ಟಿಗೆ ಜ್ಞಾನವನ್ನು ಉಳಿಸಿಕೊಳ್ಳುತ್ತಾರೆ ಎಂಬುದನ್ನು ನೋಡಬೇಕಾಗಿದೆ.ಪ್ರಾಯೋಗಿಕ ಪರಿಭ್ರಮಣೆಯ ಸಮಯದಲ್ಲಿ ಜ್ಞಾನವನ್ನು ಬಲಪಡಿಸಲು ವೈದ್ಯಕೀಯ ಶಾಲೆಯ ಪಠ್ಯಕ್ರಮವು ಆಗಾಗ್ಗೆ ಅಂತರದ ಪುನರಾವರ್ತನೆಯನ್ನು ಅವಲಂಬಿಸಿದೆ, 9 ಇದನ್ನು AI ಶಿಕ್ಷಣಕ್ಕೂ ಅನ್ವಯಿಸಬಹುದು.
ಸಾಕ್ಷರತೆಗಿಂತ ವೃತ್ತಿಪರತೆ ಮುಖ್ಯ.ವಸ್ತುವಿನ ಆಳವನ್ನು ಗಣಿತದ ಕಠಿಣತೆ ಇಲ್ಲದೆ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ಇದು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ಕ್ಲಿನಿಕಲ್ ಕೋರ್ಸ್‌ಗಳನ್ನು ಪ್ರಾರಂಭಿಸುವಾಗ ಸಮಸ್ಯೆಯಾಗಿತ್ತು.ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಉದಾಹರಣೆಗಳಲ್ಲಿ, ನಾವು ಟೆಂಪ್ಲೇಟ್ ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ಬಳಸುತ್ತೇವೆ ಅದು ಭಾಗವಹಿಸುವವರಿಗೆ ಕ್ಷೇತ್ರಗಳನ್ನು ಭರ್ತಿ ಮಾಡಲು ಮತ್ತು ಸಂಪೂರ್ಣ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಪರಿಸರವನ್ನು ಹೇಗೆ ಹೊಂದಿಸುವುದು ಎಂಬುದನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡದೆಯೇ ಸಾಫ್ಟ್‌ವೇರ್ ಅನ್ನು ರನ್ ಮಾಡಲು ಅನುಮತಿಸುತ್ತದೆ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಗ್ಗೆ ಕಾಳಜಿಯನ್ನು ತಿಳಿಸಲಾಗಿದೆ: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಕೆಲವು ಕ್ಲಿನಿಕಲ್ ಕರ್ತವ್ಯಗಳನ್ನು ಬದಲಾಯಿಸಬಹುದೆಂಬ ವ್ಯಾಪಕ ಕಾಳಜಿ ಇದೆ3.ಈ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು, ನಿಯಂತ್ರಕರಿಂದ ಅನುಮೋದಿಸಲಾದ ಬಹುತೇಕ ಎಲ್ಲಾ AI ತಂತ್ರಜ್ಞಾನಗಳಿಗೆ ವೈದ್ಯರ ಮೇಲ್ವಿಚಾರಣೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ ಎಂಬ ಅಂಶವನ್ನು ಒಳಗೊಂಡಂತೆ AI ಯ ಮಿತಿಗಳನ್ನು ನಾವು ವಿವರಿಸುತ್ತೇವೆ.ನಾವು ಪಕ್ಷಪಾತದ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಸಹ ಒತ್ತಿಹೇಳುತ್ತೇವೆ ಏಕೆಂದರೆ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಪಕ್ಷಪಾತಕ್ಕೆ ಗುರಿಯಾಗುತ್ತವೆ, ವಿಶೇಷವಾಗಿ ಡೇಟಾ ಸೆಟ್ ವೈವಿಧ್ಯಮಯವಾಗಿಲ್ಲದಿದ್ದರೆ.ಪರಿಣಾಮವಾಗಿ, ಒಂದು ನಿರ್ದಿಷ್ಟ ಉಪಗುಂಪನ್ನು ತಪ್ಪಾಗಿ ರೂಪಿಸಬಹುದು, ಇದು ಅನ್ಯಾಯದ ಕ್ಲಿನಿಕಲ್ ನಿರ್ಧಾರಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ.
ಸಂಪನ್ಮೂಲಗಳು ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿದೆ: ಉಪನ್ಯಾಸ ಸ್ಲೈಡ್‌ಗಳು ಮತ್ತು ಕೋಡ್ ಸೇರಿದಂತೆ ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿರುವ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಾವು ರಚಿಸಿದ್ದೇವೆ.ಸಮಯ ವಲಯಗಳ ಕಾರಣದಿಂದಾಗಿ ಸಿಂಕ್ರೊನಸ್ ವಿಷಯಕ್ಕೆ ಪ್ರವೇಶವು ಸೀಮಿತವಾಗಿದ್ದರೂ, ಎಲ್ಲಾ ವೈದ್ಯಕೀಯ ಶಾಲೆಗಳಲ್ಲಿ AI ಪರಿಣತಿಯು ಲಭ್ಯವಿಲ್ಲದ ಕಾರಣ ಅಸಮಕಾಲಿಕ ಕಲಿಕೆಗೆ ಮುಕ್ತ ಮೂಲ ವಿಷಯವು ಅನುಕೂಲಕರ ವಿಧಾನವಾಗಿದೆ.
ಅಂತರಶಿಸ್ತೀಯ ಸಹಯೋಗ: ಈ ಕಾರ್ಯಾಗಾರವು ಇಂಜಿನಿಯರ್‌ಗಳೊಂದಿಗೆ ಕೋರ್ಸ್‌ಗಳನ್ನು ಯೋಜಿಸಲು ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳು ಪ್ರಾರಂಭಿಸಿದ ಜಂಟಿ ಉದ್ಯಮವಾಗಿದೆ.ಇದು ಎರಡೂ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಸಹಯೋಗದ ಅವಕಾಶಗಳು ಮತ್ತು ಜ್ಞಾನದ ಅಂತರವನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ, ಭಾಗವಹಿಸುವವರು ಭವಿಷ್ಯದಲ್ಲಿ ಅವರು ಕೊಡುಗೆ ನೀಡಬಹುದಾದ ಸಂಭಾವ್ಯ ಪಾತ್ರವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
AI ಕೋರ್ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ವಿವರಿಸಿ.ಸಾಮರ್ಥ್ಯಗಳ ಪಟ್ಟಿಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸಾಮರ್ಥ್ಯ-ಆಧಾರಿತ ವೈದ್ಯಕೀಯ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಸಂಯೋಜಿಸಬಹುದಾದ ಪ್ರಮಾಣಿತ ರಚನೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ.ಈ ಕಾರ್ಯಾಗಾರವು ಪ್ರಸ್ತುತ ಬ್ಲೂಮ್ಸ್ ಟ್ಯಾಕ್ಸಾನಮಿಯ ಕಲಿಕೆಯ ಉದ್ದೇಶದ ಹಂತಗಳು 2 (ಕಾಂಪ್ರೆಹೆನ್ಷನ್), 3 (ಅಪ್ಲಿಕೇಶನ್) ಮತ್ತು 4 (ವಿಶ್ಲೇಷಣೆ) ಅನ್ನು ಬಳಸುತ್ತದೆ.ಯೋಜನೆಗಳನ್ನು ರಚಿಸುವಂತಹ ಉನ್ನತ ಮಟ್ಟದ ವರ್ಗೀಕರಣದಲ್ಲಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಹೊಂದಿರುವುದು ಜ್ಞಾನವನ್ನು ಮತ್ತಷ್ಟು ಬಲಪಡಿಸಬಹುದು.ಕ್ಲಿನಿಕಲ್ ವರ್ಕ್‌ಫ್ಲೋಗಳಿಗೆ AI ವಿಷಯಗಳನ್ನು ಹೇಗೆ ಅನ್ವಯಿಸಬಹುದು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಮತ್ತು ಪ್ರಮಾಣಿತ ವೈದ್ಯಕೀಯ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಈಗಾಗಲೇ ಒಳಗೊಂಡಿರುವ ಪುನರಾವರ್ತಿತ ವಿಷಯಗಳ ಬೋಧನೆಯನ್ನು ತಡೆಯಲು ಕ್ಲಿನಿಕಲ್ ತಜ್ಞರೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವ ಅಗತ್ಯವಿದೆ.
AI ಬಳಸಿಕೊಂಡು ಕೇಸ್ ಸ್ಟಡೀಸ್ ರಚಿಸಿ.ಕ್ಲಿನಿಕಲ್ ಉದಾಹರಣೆಗಳಂತೆಯೇ, ಕೇಸ್-ಆಧಾರಿತ ಕಲಿಕೆಯು ಕ್ಲಿನಿಕಲ್ ಪ್ರಶ್ನೆಗಳಿಗೆ ಅವುಗಳ ಪ್ರಸ್ತುತತೆಯನ್ನು ಹೈಲೈಟ್ ಮಾಡುವ ಮೂಲಕ ಅಮೂರ್ತ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಬಲಪಡಿಸುತ್ತದೆ.ಉದಾಹರಣೆಗೆ, ಒಂದು ಕಾರ್ಯಾಗಾರದ ಅಧ್ಯಯನವು Google ನ AI-ಆಧಾರಿತ ಡಯಾಬಿಟಿಕ್ ರೆಟಿನೋಪತಿ ಪತ್ತೆ ವ್ಯವಸ್ಥೆ 13 ಅನ್ನು ವಿಶ್ಲೇಷಿಸಿದೆ, ಲ್ಯಾಬ್‌ನಿಂದ ಕ್ಲಿನಿಕ್‌ಗೆ ಹಾದಿಯಲ್ಲಿನ ಸವಾಲುಗಳನ್ನು ಗುರುತಿಸಲು, ಉದಾಹರಣೆಗೆ ಬಾಹ್ಯ ಮೌಲ್ಯೀಕರಣ ಅಗತ್ಯತೆಗಳು ಮತ್ತು ನಿಯಂತ್ರಕ ಅನುಮೋದನೆ ಮಾರ್ಗಗಳು.
ಪ್ರಾಯೋಗಿಕ ಕಲಿಕೆಯನ್ನು ಬಳಸಿ: ಕ್ಲಿನಿಕಲ್ ತರಬೇತಿದಾರರ ತಿರುಗುವ ಕಲಿಕೆಯ ಅನುಭವಗಳಂತೆಯೇ ತಾಂತ್ರಿಕ ಕೌಶಲ್ಯಗಳಿಗೆ ಕೇಂದ್ರೀಕೃತ ಅಭ್ಯಾಸ ಮತ್ತು ಮಾಸ್ಟರ್‌ಗೆ ಪುನರಾವರ್ತಿತ ಅಪ್ಲಿಕೇಶನ್ ಅಗತ್ಯವಿರುತ್ತದೆ.ಒಂದು ಸಂಭಾವ್ಯ ಪರಿಹಾರವೆಂದರೆ ಫ್ಲಿಪ್ಡ್ ತರಗತಿಯ ಮಾದರಿ, ಇದು ಎಂಜಿನಿಯರಿಂಗ್ ಶಿಕ್ಷಣದಲ್ಲಿ ಜ್ಞಾನದ ಧಾರಣವನ್ನು ಸುಧಾರಿಸಲು ವರದಿಯಾಗಿದೆ.ಈ ಮಾದರಿಯಲ್ಲಿ, ವಿದ್ಯಾರ್ಥಿಗಳು ಸ್ವತಂತ್ರವಾಗಿ ಸೈದ್ಧಾಂತಿಕ ವಸ್ತುಗಳನ್ನು ಪರಿಶೀಲಿಸುತ್ತಾರೆ ಮತ್ತು ತರಗತಿಯ ಸಮಯವನ್ನು ಕೇಸ್ ಸ್ಟಡೀಸ್ ಮೂಲಕ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಮೀಸಲಿಡಲಾಗುತ್ತದೆ.
ಬಹುಶಿಸ್ತೀಯ ಭಾಗವಹಿಸುವವರಿಗೆ ಸ್ಕೇಲಿಂಗ್: ವಿವಿಧ ಹಂತದ ತರಬೇತಿಯೊಂದಿಗೆ ವೈದ್ಯರು ಮತ್ತು ಸಂಬಂಧಿತ ಆರೋಗ್ಯ ವೃತ್ತಿಪರರು ಸೇರಿದಂತೆ ಅನೇಕ ವಿಭಾಗಗಳಲ್ಲಿ ಸಹಯೋಗವನ್ನು ಒಳಗೊಂಡಿರುವ AI ಅಳವಡಿಕೆಯನ್ನು ನಾವು ಕಲ್ಪಿಸಿಕೊಳ್ಳುತ್ತೇವೆ.ಆದ್ದರಿಂದ, ವಿವಿಧ ವಿಭಾಗಗಳ ಅಧ್ಯಾಪಕರೊಂದಿಗೆ ಸಮಾಲೋಚಿಸಿ ಪಠ್ಯಕ್ರಮವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಬೇಕಾಗಬಹುದು, ಅವರ ವಿಷಯವನ್ನು ಆರೋಗ್ಯ ರಕ್ಷಣೆಯ ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಿಗೆ ತಕ್ಕಂತೆ ಹೊಂದಿಸಬಹುದು.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಉನ್ನತ ತಂತ್ರಜ್ಞಾನವಾಗಿದೆ ಮತ್ತು ಅದರ ಪ್ರಮುಖ ಪರಿಕಲ್ಪನೆಗಳು ಗಣಿತ ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನಕ್ಕೆ ಸಂಬಂಧಿಸಿವೆ.ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಆರೋಗ್ಯ ಸಿಬ್ಬಂದಿಗೆ ತರಬೇತಿ ನೀಡುವುದು ವಿಷಯ ಆಯ್ಕೆ, ಕ್ಲಿನಿಕಲ್ ಪ್ರಸ್ತುತತೆ ಮತ್ತು ವಿತರಣಾ ವಿಧಾನಗಳಲ್ಲಿ ಅನನ್ಯ ಸವಾಲುಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.ಶಿಕ್ಷಣ ಕಾರ್ಯಾಗಾರಗಳಲ್ಲಿ AI ನಿಂದ ಪಡೆದ ಒಳನೋಟಗಳು ಭವಿಷ್ಯದ ಶಿಕ್ಷಕರಿಗೆ AI ಅನ್ನು ವೈದ್ಯಕೀಯ ಶಿಕ್ಷಣದಲ್ಲಿ ಸಂಯೋಜಿಸಲು ನವೀನ ಮಾರ್ಗಗಳನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂದು ನಾವು ಭಾವಿಸುತ್ತೇವೆ.
Google Colaboratory Python ಸ್ಕ್ರಿಪ್ಟ್ ತೆರೆದ ಮೂಲವಾಗಿದೆ ಮತ್ತು ಇಲ್ಲಿ ಲಭ್ಯವಿದೆ: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
ಪ್ರೋಬರ್, ಕೆಜಿ ಮತ್ತು ಖಾನ್, ಎಸ್. ಮರುಚಿಂತನೆ ವೈದ್ಯಕೀಯ ಶಿಕ್ಷಣ: ಕ್ರಿಯೆಗೆ ಕರೆ.ಅಕ್ಕಾಡ್.ಔಷಧಿ.88, 1407–1410 (2013).
ಮೆಕಾಯ್, ಎಲ್ಜಿ ಇತ್ಯಾದಿ. ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಗ್ಗೆ ನಿಜವಾಗಿಯೂ ಏನು ತಿಳಿದುಕೊಳ್ಳಬೇಕು?NPZh ಸಂಖ್ಯೆಗಳು.ಮೆಡಿಸಿನ್ 3, 1–3 (2020).
ಡಾಸ್ ಸ್ಯಾಂಟೋಸ್, ಡಿಪಿ, ಮತ್ತು ಇತರರು.ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಕಡೆಗೆ ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳ ವರ್ತನೆಗಳು: ಮಲ್ಟಿಸೆಂಟರ್ ಸಮೀಕ್ಷೆ.ಯುರೋ.ವಿಕಿರಣ.29, 1640–1646 (2019).
ಫ್ಯಾನ್, KY, Hu, R., ಮತ್ತು Singla, R. ವೈದ್ಯಕೀಯ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಯಂತ್ರ ಕಲಿಕೆಯ ಪರಿಚಯ: ಪ್ರಾಯೋಗಿಕ ಯೋಜನೆ.ಜೆ. ಮೆಡ್ಕಲಿಸುತ್ತಾರೆ.54, 1042–1043 (2020).
ಕೂಪರ್ಮನ್ ಎನ್, ಮತ್ತು ಇತರರು.ತಲೆ ಗಾಯದ ನಂತರ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಗಮನಾರ್ಹವಾದ ಮಿದುಳಿನ ಗಾಯದ ಕಡಿಮೆ ಅಪಾಯದಲ್ಲಿರುವ ಮಕ್ಕಳನ್ನು ಗುರುತಿಸುವುದು: ನಿರೀಕ್ಷಿತ ಸಮಂಜಸ ಅಧ್ಯಯನ.ಲ್ಯಾನ್ಸೆಟ್ 374, 1160–1170 (2009).
ಸ್ಟ್ರೀಟ್, WN, ವೋಲ್ಬರ್ಗ್, WH ಮತ್ತು ಮಂಗಸರಿಯನ್, OL.ಸ್ತನ ಗೆಡ್ಡೆ ರೋಗನಿರ್ಣಯಕ್ಕಾಗಿ ನ್ಯೂಕ್ಲಿಯರ್ ವೈಶಿಷ್ಟ್ಯದ ಹೊರತೆಗೆಯುವಿಕೆ.ಬಯೋಮೆಡಿಕಲ್ ಸೈನ್ಸ್.ಚಿತ್ರ ಸಂಸ್ಕರಣೆ.ಬಯೋಮೆಡಿಕಲ್ ಸೈನ್ಸ್.ವೈಸ್.1905, 861–870 (1993).
ಚೆನ್, PHC, ಲಿಯು, Y. ಮತ್ತು ಪೆಂಗ್, L. ಆರೋಗ್ಯ ರಕ್ಷಣೆಗಾಗಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳನ್ನು ಹೇಗೆ ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು.ನ್ಯಾಟ್.ಮ್ಯಾಟ್.18, 410–414 (2019).
ಸೆಲ್ವರಾಜು, ಆರ್‌ಆರ್ ಮತ್ತು ಇತರರು.ಗ್ರಾಡ್-ಕ್ಯಾಮ್: ಗ್ರೇಡಿಯಂಟ್-ಆಧಾರಿತ ಸ್ಥಳೀಕರಣದ ಮೂಲಕ ಆಳವಾದ ನೆಟ್‌ವರ್ಕ್‌ಗಳ ದೃಶ್ಯ ವ್ಯಾಖ್ಯಾನ.IEEE ಇಂಟರ್ನ್ಯಾಷನಲ್ ಕಾನ್ಫರೆನ್ಸ್ ಆನ್ ಕಂಪ್ಯೂಟರ್ ವಿಷನ್, 618–626 (2017) ನ ಪ್ರಕ್ರಿಯೆಗಳು.
ಕುಮಾರವೆಲ್ ಬಿ, ಸ್ಟೀವರ್ಟ್ ಕೆ ಮತ್ತು ಇಲಿಕ್ ಡಿ. ಪದವಿಪೂರ್ವ ವೈದ್ಯಕೀಯ ಶಿಕ್ಷಣದಲ್ಲಿ OSCE ಬಳಸಿಕೊಂಡು ಸಾಕ್ಷ್ಯ ಆಧಾರಿತ ಔಷಧ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ನಿರ್ಣಯಿಸಲು ಸುರುಳಿಯಾಕಾರದ ಮಾದರಿಯ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ.BMK ಮೆಡಿಸಿನ್.ಕಲಿಸುತ್ತಾರೆ.21, 1–9 (2021).
ಕೋಲಾಚಲಮ ವಿಬಿ ಮತ್ತು ಗಾರ್ಗ್ ಪಿಎಸ್ ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ವೈದ್ಯಕೀಯ ಶಿಕ್ಷಣ.NPZh ಸಂಖ್ಯೆಗಳು.ಔಷಧಿ.1, 1–3 (2018).
ವ್ಯಾನ್ ಲೀವೆನ್, ಕೆಜಿ, ಶಾಲೆಕ್ಯಾಂಪ್, ಎಸ್., ರುಟ್ಟೆನ್, ಎಮ್ಜೆ, ವ್ಯಾನ್ ಗಿನ್ನೆಕೆನ್, ಬಿ. ಮತ್ತು ಡಿ ರೂಯ್, ಎಂ. ರೇಡಿಯಾಲಜಿಯಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ: 100 ವಾಣಿಜ್ಯ ಉತ್ಪನ್ನಗಳು ಮತ್ತು ಅವುಗಳ ವೈಜ್ಞಾನಿಕ ಪುರಾವೆಗಳು.ಯುರೋ.ವಿಕಿರಣ.31, 3797–3804 (2021).
ಟೋಪೋಲ್, ಇಜೆ ಹೈ-ಪರ್ಫಾರ್ಮೆನ್ಸ್ ಮೆಡಿಸಿನ್: ಮಾನವ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಒಮ್ಮುಖ.ನ್ಯಾಟ್.ಔಷಧಿ.25, 44–56 (2019).
ಬೆಡೆ, ಇ. ಮತ್ತು ಇತರರು.ಡಯಾಬಿಟಿಕ್ ರೆಟಿನೋಪತಿಯ ಪತ್ತೆಗಾಗಿ ಕ್ಲಿನಿಕ್‌ನಲ್ಲಿ ನಿಯೋಜಿಸಲಾದ ಆಳವಾದ ಕಲಿಕೆಯ ವ್ಯವಸ್ಥೆಯ ಮಾನವ-ಕೇಂದ್ರಿತ ಮೌಲ್ಯಮಾಪನ.ಕಂಪ್ಯೂಟಿಂಗ್ ಸಿಸ್ಟಮ್ಸ್ (2020) ನಲ್ಲಿ ಮಾನವ ಅಂಶಗಳ ಕುರಿತು 2020 CHI ಸಮ್ಮೇಳನದ ಪ್ರಕ್ರಿಯೆಗಳು.
ಕೆರ್, ಬಿ. ಇಂಜಿನಿಯರಿಂಗ್ ಶಿಕ್ಷಣದಲ್ಲಿ ಫ್ಲಿಪ್ಡ್ ಕ್ಲಾಸ್ ರೂಮ್: ಎ ರಿಸರ್ಚ್ ರಿವ್ಯೂ.2015 ರ ಇಂಟರ್‌ನ್ಯಾಶನಲ್ ಕಾನ್ಫರೆನ್ಸ್ ಆನ್ ಇಂಟರಾಕ್ಟಿವ್ ಕೊಲ್ಯಾಬೊರೇಟಿವ್ ಲರ್ನಿಂಗ್ (2015) ನ ಪ್ರಕ್ರಿಯೆಗಳು.
ಲೇಖಕರು ಬೆಂಬಲ ಮತ್ತು ಧನಸಹಾಯಕ್ಕಾಗಿ ಬ್ರಿಟಿಷ್ ಕೊಲಂಬಿಯಾ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಬಯೋಮೆಡಿಕಲ್ ಇಮೇಜಿಂಗ್ ಮತ್ತು ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ರಿಸರ್ಚ್ ಕ್ಲಸ್ಟರ್‌ನಿಂದ ಡೇನಿಯಲ್ ವಾಕರ್, ಟಿಮ್ ಸಲ್ಕುಡಿನ್ ಮತ್ತು ಪೀಟರ್ ಝಾಂಡ್‌ಸ್ಟ್ರಾ ಅವರಿಗೆ ಧನ್ಯವಾದ ಅರ್ಪಿಸಿದ್ದಾರೆ.
RH, PP, ZH, RS ಮತ್ತು MA ಕಾರ್ಯಾಗಾರದ ಬೋಧನಾ ವಿಷಯವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಜವಾಬ್ದಾರಿಯನ್ನು ಹೊಂದಿದ್ದವು.ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಉದಾಹರಣೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು RH ಮತ್ತು PP ಜವಾಬ್ದಾರರಾಗಿದ್ದರು.KYF, OY, MT ಮತ್ತು PW ಯೋಜನೆಯ ಲಾಜಿಸ್ಟಿಕಲ್ ಸಂಘಟನೆ ಮತ್ತು ಕಾರ್ಯಾಗಾರಗಳ ವಿಶ್ಲೇಷಣೆಗೆ ಜವಾಬ್ದಾರರಾಗಿದ್ದರು.RH, OY, MT, RS ಅಂಕಿಅಂಶಗಳು ಮತ್ತು ಕೋಷ್ಟಕಗಳನ್ನು ರಚಿಸುವ ಜವಾಬ್ದಾರಿಯನ್ನು ಹೊಂದಿದ್ದವು.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS ಡಾಕ್ಯುಮೆಂಟ್ ಅನ್ನು ರಚಿಸುವ ಮತ್ತು ಸಂಪಾದಿಸುವ ಜವಾಬ್ದಾರಿಯನ್ನು ಹೊಂದಿದ್ದವು.
ಕಮ್ಯುನಿಕೇಶನ್ ಮೆಡಿಸಿನ್ ಈ ಕೆಲಸದ ವಿಮರ್ಶೆಗೆ ತಮ್ಮ ಕೊಡುಗೆಗಳಿಗಾಗಿ ಕ್ಯಾರೊಲಿನ್ ಮೆಕ್ಗ್ರೆಗರ್, ಫ್ಯಾಬಿಯೊ ಮೊರೇಸ್ ಮತ್ತು ಆದಿತ್ಯ ಬೊರಕಟಿ ಅವರಿಗೆ ಧನ್ಯವಾದಗಳು.