Автоматизация обработки биомедицинской информации

内容描述: Дисциплина посвящена изучению способов представления экспериментальной информации различной физической природы в биомедицинской практике; математических моделей, лежащих в основе способов обработки и анализа информации; математических методов и алгоритмов оценки информативности параметров; инновационных технологий, используемых при автоматизации биомедицинских исследований.

贷款数: 5

Пререквизиты:

• Интегральная и микропроцессорная схемотехника

*СomplexityDiscipline(zh-CN)*:

零件: Компонент по выбору

循环次数: Базовые дисциплины

Цель

• формирование у магистрантов компетенций, необходимых для разработки, внедрения и применения методов и технологий автоматизации в обработке биомедицинских данных.

Задача

• Изучение принципов автоматизации процессов сбора, обработки и анализа данных, получаемых из биомедицинских исследований и диагностики.
• Изучение алгоритмов для автоматизированного анализа биомедицинских данных, что повышает точность и оперативность диагностики, а также поддержку принятия клинических решений.
• Освоение современных технологий и программных средств для автоматизации анализа биомедицинской информации, включая системы искусственного интеллекта, машинное обучение и анализ больших данных.
• Освоение подходов к интеграции биомедицинских данных из различных источников, обеспечение совместимости и стандартизации данных для более эффективного их использования в цифровой медицине.

Результат обучения: знание и понимание

• Описывать принципы и методы автоматизации биомедицинской обработки данных, включая использование технологий искусственного интеллекта, машинного обучения и анализа больших данных для решения медицинских задач.
• Обсуждать системные и архитектурные особенности информационных систем, предназначенных для обработки и интеграции биомедицинских данных, а также показывать их совместимости со стандартами медицинской информатики.

Результат обучения: применение знаний и пониманий

• Разрабатывать алгоритмы и программные модули для автоматизированного анализа и обработки биомедицинских данных, например, для задач диагностики, мониторинга и прогнозирования состояния пациента.
• Применять методы анализа больших данных для выявления скрытых закономерностей в биомедицинских данных и построения моделей, способных поддерживать клинические решения.
• Интегрировать биомедицинские данные из различных источников, включая устройства для мониторинга здоровья, лабораторные данные и данные электронных медицинских карт, с соблюдением стандартов совместимости и безопасности.

Результат обучения: формирование суждений

• Оценивать точность и надежность данных, выявлять и корректировать ошибки обработки для обеспечения качества данных, поддерживающих диагностику и лечение.

Результат обучения: коммуникативные способности

• Представлять результаты анализа и интерпретации биомедицинских данных, включая объяснение сложных технических аспектов не техническим специалистам.

Результат обучения: навыки обучения или способности к учебе

• Применять инструменты и технологии для автоматизации обработки биомедицинских данных, включая программное обеспечение и платформы для анализа данных, визуализации и предсказательной аналитики, системы поддержки принятия медицинских решений.

*AssessmentKnowledge(zh-CN)*

Преподаватель проводит все виды работ текущего контроля и выводит соответствующую оценку текущей успеваемости обучающихся два раза в академический период. По результатам текущего контроля формируется рейтинг 1 и 2. Учебные достижения обучающегося оцениваются по 100-балльной шкале, итоговая оценка Р1 и Р2 выводится как средняя арифметическая из оценок текущей успеваемости. Оценка работы обучающегося в академическом периоде осуществляется преподавателем в соответствии с графиком сдачи заданий по дисциплине. Система контроля может сочетать письменные и устные, групповые и индивидуальные формы.

*PolicyAssignmentTask(zh-CN)*

*EvaluationForm(zh-CN)*

Итоговая оценка знаний обучающего по дисциплине осуществляется по 100 балльной системе и включает:

• 40% результата, полученного на экзамене;
• 60% результатов текущей успеваемости.

Формула подсчета итоговой оценки:

 

где, Р₁, Р₂ – цифровые эквиваленты оценок первого, второго рейтингов соответственно; Э – цифровой эквивалент оценки на экзамене.

Итоговая буквенная оценка и ее цифровой эквивалент в баллах:

Буквенная система оценки учебных достижений обучающихся, соответствующая цифровому эквиваленту по четырехбалльной системе:

Темы лекционных занятий

• Введение в автоматизацию обработки биомедицинской информации
• Основы медицинских информационных систем
• Цифровая обработка биомедицинских сигналов и изображений
• Алгоритмы предобработки медицинских данных
• Методы интеллектуального анализа данных в медицине
• Автоматизированные системы поддержки принятия решений
• Интеграция данных из медицинских сенсоров и носимых устройств
• Программные инструменты для обработки биомедицинской информации
• Технологии машинного обучения в анализе медицинских данных

Основная литература

• Кубланов В.С., Долганов А.Ю., Костоусов В.Б. Биомедицинские сигналы и изображения в цифровом здравоохранении: хранение, обработка и анализ. – Екатеринбург: УрФУ, 2021. – 350 с.
• Омельченко В.П., Демидова А.А. Медицинская информатика: учебник. - ГЭОТАР-Медиа, 2023. 528с.

Дополнительная литература

• Фролов А.В.Цифровая обработка биомедицинских сигналов и изображений. – Москва: МГТУ им. Н.Э. Баумана, 2020. – 400 с.
• Васильев В.Г., Куженькин С.Н.Прикладная обработка биомедицинских изображений в среде MATLAB. – Санкт-Петербург: Лань, 2019. – 280 с.
• Сергиенко, А. Б. Цифровая обработка сигналов: учебное пособие / А. Б. Сергиенко. - 2-е изд. - СПб. : Питер, 2006. - 751 с.
• Дианов С. В. Автоматизация обработки экспериментальных данных: конспект лекций. - Вологда: ВоГТУ, 2010. - 82 с.