Παρουσίαση/Προβολή

Εφαρμογές της Ευφυούς Τεχνολογίας για τη Λήψη Αποφάσεων στη Μαιευτική

(Μ-8034) - ΣΤΑΥΡΟΥΛΑ ΜΠΑΡΜΠΟΥΝΑΚΗ

Περιγραφή Μαθήματος

Η ανάπτυξη ευφυών τεχνολογιών, η μαθηματική μοντελοποίηση βιολογικών σημάτων καθώς και η εφαρμογή μεθόδων ανάλυσης δεδομένων δημιουργούν νέες συνθήκες αλλά και απαιτήσεις στη σύγχρονη λήψη και υποστήριξη αποφάσεων στη Μαιευτική σε επίπεδο πρόληψης, διάγνωσης και επέμβασης. Το κόστος μιας λανθασμένης απόφασης μπορεί να είναι εξαιρετικά υψηλό, επομένως, η όσο το δυνατόν έγκαιρη και ολοκληρωμένη πληροφόρηση αλλά και ανάλυση των δεδομένων, αυξάνουν τη σχετική με ένα πρόβλημα γνώση, οδηγώντας σε μια επιτυχή λύση αυτού. Η ανάπτυξη και η εφαρμογή μεθόδων τεχνητής νοημοσύνης, στατιστικής και πολύ-κριτηριακών μεθόδων όχι μόνο ανοίγουν νέους επιστημονικούς αλλά και επαγγελματικούς ορίζοντες αλλά συμβάλλουν στην δομημένη και επιστημονικά τεκμηριωμένη λήψη αποφάσεων.

Ημερομηνία δημιουργίας

Τρίτη 28 Φεβρουαρίου 2023

Σελίδα μαθήματος

Περίγραμμα
Περιεχόμενο μαθήματος
1. 1. Εισαγωγή στη μοντελοποίηση και επεξεργασία βιολογικών σημάτων
  2. Κλινική Αποτίμηση βιολογικών παραμέτρων – ψηφιακή επεξεργασία
  3. Διαχείριση γνώσης και δεδομένων – Συνδυαστική Αξιολόγηση Βιοφυσικών Παραμέτρων
  4. Συστήματα – Εργαλεία Διάγνωσης και Πρόληψης
  5. Συγκέντρωση δεδομένων και γνώσεων στο σημείο φροντίδας για τη βελτίωση της λήψης ιατρικών αποφάσεων και την πρόληψη σφαλμάτων
  6. Εισαγωγή στη λήψη αποφάσεων στοιχεία – γνωστική ψυχολογία και λήψη αποφάσεων
    Ορθολογισμός
    
    Προκαταλήψεις και
    
    Κρίση (Judgment) στη λήψη αποφάσεων
1. 1. Δόμηση προβλήματος και επίλυση
  2. Αρχιτεκτονική συστημάτων ευφυούς τεχνολογίας για τη λήψη αποφάσεων
  3. Τεχνολογίες Internet of Things για τη λήψη και τη διαχείριση δεδομένων στη Μαιευτική
  4. Εισαγωγή στην Ποσοτική Ανάλυση Δεδομένων
- - Ανάλυση Παραγόντων
  - Συσταδοποίηση
  - Δυναμική του IoT στις Ιατρικές υπηρεσίες – Μαιευτική
1. 1. Τεχνητή Νοημοσύνη για τη λήψη αποφάσεων στη Μαιευτική
    Μέθοδοι Ασαφούς Λογικής (Fuzzy Logic), λογικές πράξεις, fuzzy synthetic evaluation,
    
    Fuzzy Cognitive Mapping, Ανάλυση Γράφων
    
    Μηχανική Μάθηση,
    
    Feature Selection Methods,
    
    Ευφυή Συστήματα (intelligent Systems), Αναπαράσταση Γνώσης, Ανάπτυξη Κανόνων, Ενεργοποίηση Κανόνων, Διαμόρφωση και Αιτιολόγηση Συμπερασμάτων
    
    Νευρωνικά Δίκτυα (Neural Networks)
1. 1. Πολύ-κριτηριακή Ανάλυση (Αναλυτική Ιεραρχική Μέθοδος, DEMATEL)
  2. Μελέτη περιπτώσεων με ανάλυση δεδομένων
  3. Εφαρμογές στη λήψη αποφάσεων – Εκπαίδευση και χρήση με SPSS, WEKA, MATLAB και Microsoft Excel (Pivot Tables), Expert Choice, Musa, κ.α.
  4. Ψηφιακή επίσκεψη μαίας με τη χρήση ευφυούς τεχνολογίας
Μαθησιακοί στόχοι

Το μάθημα επικεντρώνεται στην απόκτηση γνώσης και των απαραίτητων δεξιοτήτων ώστε οι φοιτητές/φοιτήτριες να έχουν την ικανότητα:
1. 1. να αντιλαμβάνονται και να προσδιορίζουν παραμέτρους μοντελοποίησης και προσομοίωσης βιολογικών σημάτων.
  2. να προσδιορίζουν ένα πρόβλημα και να σχεδιάζουν τη στρατηγική επίλυσή του.
  3. να σχεδιάζουν, να αναπτύσσουν και να χρησιμοποιήσουν ευφυή συστήματα λήψης αποφάσεων στη Μαιευτική.
  4. να χρησιμοποιούν προηγμένες μεθόδους ανάλυσης δεδομένων και λήψης αποφάσεων στη Μαιευτική.
  5. να χρησιμοποιούν σύγχρονα εργαλεία ανάλυσης δεδομένων.
  6. να αξιολογούν τη σημασία και τις επιπτώσεις στη Μαιευτική τεχνολογιών συλλογής και διαχείρισης δεδομένων όπως τα IoT.
Μέθοδοι διδασκαλίας

Διαλέξεις, Παρουσιάσεις με Power Point, Ασκήσεις Πράξεις με χρήση εξειδικευμένων λογισμικών - Ατομικές και Ομαδικές Εργασίες, Ανάπτυξη και Ανάλυση Σεναρίων / Περιπτώσεων, Παρουσίαση και Ανάλυση video, Παρουσιάσεις από διακεκριμένους επιστήμονες

Μέθοδοι αξιολόγησης

Δοκιμασία Πολλαπλής Επιλογής και Ερωτήσεις Ανάπτυξης

Η βαθμολογία εκφράζεται με την κλίμακα από μηδέν έως δέκα (0-10). Βάση επιτυχίας είναι το πέντε (5).

Προαπαιτούμενα

Βασικές γνώσεις Υπολογιστών, Βασικές Γνώσεις Στατιστικής

Απαιτούμενα Λογισμικά

Excel 365 (Azure Machine Learning), Matlab, SPSS, Weka, FCM Expert, ΚΝΙΜΕ