1235
کانال رسمی انجمن علمی دانشجویی فناوری اطلاعات سلامت دانشگاه علوم پزشکی تهران. دبیر: @Shojaei_Shayan instagram.com/hit_tums
برنامه تا ۱۵ دقیقه آینده
در ساختمان شفیعی دانشکده پیراپزشکی به آدرس خیابان قدس، نبش کوچه شفیعی
در طبقه ی همکف کلاس شماره ۲ برگزار می‌شود.
📸 گزارش تصویری دورهمی پژوهشی انجمن علمی فناوری اطلاعات سلامت
🔹 دورهمی پژوهشی انجمن علمی فناوری اطلاعات سلامت دانشگاه علوم پزشکی تهران، با همکاری واحد پیراپزشکی مرکز پژوهش‌های علمی دانشجویان و با ارائه ی مهدی درستی دانشجوی کارشناسی فناوری اطلاعات سلامت، در تاریخ ۱۳ آبان ۱۴۰۵ با موضوع:
A Quantitative, Multimodal Wearable Bioelectronic Device for Comprehensive Stress Assessment and Sub-classification
برگزار شد.
🔹 در این جلسه، پژوهشی با محوریت طراحی و به‌کارگیری یک ابزار پوشیدنی زیست‌الکترونیکی برای ارزیابی جامع استرس مورد بررسی قرار گرفت. در این پژوهش، با استفاده از داده‌های گوناگون جمع‌آوری‌شده از بدن، امکان بررسی دقیق‌تر وضعیت استرس و تفکیک آن به گروه‌ها و حالت‌های مختلف مورد توجه قرار گرفته است.
🔹 در جریان این دورهمی، ضمن آشنایی با فناوری‌های پوشیدنی و نقش آن‌ها در پایش وضعیت سلامت، ابعاد مختلف پژوهش و کاربردهای بالقوه این فناوری در ارزیابی استرس بررسی شد و شرکت‌کنندگان به تبادل نظر و گفت‌وگو درباره موضوع پرداختند.
✨ این دورهمی فرصتی برای آشنایی با کاربرد فناوری‌های نوین در حوزه سلامت، یادگیری جمعی، تبادل ایده‌ها و تقویت نگاه پژوهشی بود؛ فضایی برای فراتر رفتن از مطالعه مقاله و نزدیک‌تر شدن به دنیای پژوهش و نوآوری.
💙 به امید تداوم چنین جمع‌هایی برای یادگیری، گفت‌وگو و شکل‌گیری ایده‌های پژوهشی تازه.
انجمن علمی فناوری اطلاعات سلامت
دانشگاه علوم پزشکی تهران
#چهارشنبه‌پژوهشی
و یک تشکر ویژه از همه‌شون، که قطعا اگه حضورشون نبود، برنامه‌ها خیلی دیرتر از چیزی که باید پا می‌گرفتن.💗
اگر هر کدوم از شما هم مایل بودین تو هر زمینه‌ای که بهش علاقه‌مندید با انجمن همکاری داشته باشید، خیلی خوشحال می‌شیم که در کنارمون داشته باشیمتون.✨
🔆 معرفی اعضای انجمن علمی ۱۴۰۵-۱۴۰۶ فناوری اطلاعات سلامت دانشگاه علوم پزشکی تهران.
☜ اعضای اصلی انجمن:
۱. شایان شجاعی
• دبیر انجمن
• دانشجوی ورودی ۱۴۰۳ کارشناسی
۲. یاس اسحاقی
• نائب دبیر
• دانشجوی ورودی ۱۴۰۲ کارشناسی
۳. ریحانه رحمانی
• دبیر کمیته روابط عمومی
• دانشجوی ورودی ۱۴۰۲ کارشناسی
۴. ثمین مصباح
• دبیر کمیته پژوهش
• دانشجوی ورودی ۱۴۰۳ کارشناسی
۵. صمیم یعقوبی
• دبیر کمیته آموزش
• دانشجوی ورودی ۱۴۰۳ کارشناسی
۶. یاسمن صانعی سادات
• دبیر کمیته نوآوری و خلاقیت
• دانشجوی ورودی ۱۴۰۳ کارشناسی
@tums_hita
📚 موضوع ارائه: بررسی نقش یادگیری تقویتی در بهبود دقت و استدلال مدل‌های زبانی بزرگ در طبقه‌بندی بیماری‌ها از گزارش‌های رادیولوژی
مقاله: Reinforcement Learning Improves LLM Accuracy and Reasoning in Disease Classification from Radiology Reports
مجله: npj Digital Medicine (2026)
🧠 یک مقاله، چندین سؤال و فرصتی برای یادگیری کنار هم!
هوش مصنوعی چطور می‌تونه با تحلیل گزارش‌های تصویربرداری پزشکی، به تشخیص و دسته‌بندی بیماری‌ها کمک کنه؟ 🩻
در جلسه جدید Research Gathering قراره به سراغ یکی از موضوعات جذاب دنیای هوش مصنوعی در سلامت بریم و بررسی کنیم چطور می‌شه با روش‌های جدید، دقت و توانایی استدلال مدل‌های هوش مصنوعی رو بهبود داد.
📌 موضوع جلسه:
Reinforcement Learning Improves LLM Accuracy and Reasoning in Disease Classification from Radiology Reports
💡 این دورهمی فقط درباره خوندن یک مقاله نیست؛ قراره با هم یاد بگیریم، سؤال بپرسیم، ایده‌هامون رو به اشتراک بذاریم و از نگاه‌های متفاوت همدیگه استفاده کنیم.
📅 تاریخ: چهارشنبه، ۶ آبان ۱۴۰۵
⏰ زمان: ساعت ۱۱ الی ۱۳
📍 مکان: مرکز رشد استعدادهای درخشان دانشگاه علوم پزشکی تهران
اگر به هوش مصنوعی، پژوهش و آینده فناوری در حوزه سلامت علاقه‌مندی، این جلسه فرصتیه برای یادگیری و گفت‌وگو در کنار هم! 💙
منتظرتونیم؛ چون گاهی یک گفت‌وگو، شروع یک ایده بزرگه. ✨
جهت اعلام حضور از طریق لینک زیر اقدام نمایید:
https://survey.porsline.ir/s/hYSCTugO
#دورهمی_پژوهشی
فقط تا دوشنبه فرصت دارید!
💙همراهان عزیز MedAI Summit، توجه داشته باشید که دوشنبه ۴ آبان، آخرین مهلت ثبت‌نام در دومین دوره‌ی MedAI Summit است.
😀اگر می‌خواهید با تازه‌ترین دستاوردهای هوش مصنوعی در علوم پزشکی و سلامت دیجیتال آشنا شوید، از تجربه‌ی متخصصان این حوزه بهره‌مند شوید و فرصت‌های ارزشمند شبکه‌سازی را از دست ندهید، همین حالا برای ثبت‌نام اقدام کنید.
🔔۶ تا ۸ آبان ۱۴۰۵
💙رویداد مجازی | ۶ تا ۸ آبان
💬رویداد حضوری (VIP) | ۸ آبان | ایران‌مال
😀برای ثبت‌نام از یکی از دو روش زیر اقدام کنید!
از طریق سایت:
https://medaisummit.ir/fa/tickets
ارتباط با ادمین:
@MedAISummit_Admin
فراموش نکنید! مهلت ثبت نام تا پایان امروز.
تنها دریافت پیامک تایید، نشان‌دهنده تکمیل شدن ثبت‌نام شما می‌باشد.
📎 فایل ارائه: بررسی هوش مصنوعی مکالمه‌محور در مدیریت بیماری‌ها (بر اساس مقاله Nature)
@tums_hita
🔴کد تخفیف ویژه ثبت نام در رویداد از طرف انجمن علمی فناوری اطلاعات سلامت دانشگاه علوم پزشکی تهران: HITUMSUM
( برای کپی روی کد کلیک کنید )
🌐استاندارد نوین تبادل اطلاعات سلامت
با گسترش پرونده‌های الکترونیک سلامت و افزایش تعداد سامانه‌های مورد استفاده در بیمارستان‌ها و مراکز درمانی، برقراری ارتباط مؤثر میان این سامانه‌ها به یکی از چالش‌های مهم فناوری اطلاعات سلامت تبدیل شده است. برای حل این مشکل، استانداردهایی طراحی شده‌اند که یکی از مهم‌ترین آن‌ها FHIR است.
🔹 مورد اول: FHIR چیست؟
خوب است بدانیم که FHIR مخفف *Fast Healthcare Interoperability Resources* و به معنای «منابع تعامل‌پذیری سریع در حوزه سلامت» است. این استاندارد توسط سازمان بین‌المللی HL7 توسعه داده شده و هدف آن، ساده‌تر کردن تبادل اطلاعات سلامت میان سامانه‌های مختلف است.
خب FHIR اطلاعات سلامت را در قالب واحدهای استانداردی به نام «منابع» سازمان‌دهی می‌کند. برای مثال، اطلاعات بیمار، نتایج آزمایش، داروها، حساسیت‌ها و ملاقات‌های پزشکی هرکدام می‌توانند در قالب منابع مشخصی تعریف شوند.
🔸کاربردهای FHIR چیست؟
▪️ تبادل اطلاعات میان پرونده‌های الکترونیک سلامت و سامانه‌های بیمارستانی
▪️ انتقال استاندارد اطلاعات بیمار، داروها و نتایج آزمایش‌ها
▪️ تسهیل ارتباط میان نرم‌افزارهای سلامت و برنامه‌های کاربردی پزشکی
▪️ کمک به یکپارچه‌سازی اطلاعات در سامانه‌های مختلف
▪️ پشتیبانی از توسعه خدمات سلامت دیجیتال و برنامه‌های کاربردی تلفن همراه
▪️ فراهم کردن بستری مناسب برای دسترسی کنترل‌شده به اطلاعات سلامت
💡یک مثال ساده:
فرض کنید بیماری در یک بیمارستان آزمایش خون انجام می‌دهد و نتیجه آزمایش او در سامانه آزمایشگاه ثبت می‌شود. اگر سامانه آزمایشگاه و پرونده الکترونیک سلامت از استانداردهای سازگار با FHIR پشتیبانی کنند، اطلاعات آزمایش می‌تواند با ساختاری استاندارد در اختیار سامانه مقصد قرار گیرد. در نتیجه، از ورود مجدد اطلاعات جلوگیری می‌شود و دسترسی به سوابق بیمار آسان‌تر خواهد شد.
🔷️ چگونه FHIR کار می‌کند؟
یکی از ویژگی‌های مهم FHIR، استفاده از فناوری‌های رایج وب و رابطهای برنامه‌نویسی کاربردی (API) است. این قابلیت به سامانه‌های مختلف اجازه می‌دهد، در صورت پیاده‌سازی سازگار و رعایت مجوزهای دسترسی، اطلاعات موردنیاز را درخواست کرده و دریافت کنند.
همچنین، داده‌های FHIR معمولاً با قالب‌هایی مانند JSON و XML نمایش داده می‌شوند که پردازش و انتقال اطلاعات را برای نرم‌افزارها ساده‌تر می‌کنند.
🔸 تفاوت FHIR و HL7 چیست؟
خب HL7 نام سازمان و مجموعه‌ای از استانداردهای حوزه تبادل اطلاعات سلامت است؛ درحالی‌که FHIR یکی از استانداردهای توسعه‌یافته توسط این سازمان محسوب می‌شود.
خوب است بدانیم که FHIR با بهره‌گیری از فناوری‌های جدید وب، رویکردی مبتنی بر منابع استاندارد ارائه می‌دهد و امکان ارتباط میان سامانه‌های گوناگون را تسهیل می‌کند. البته استفاده از FHIR به‌تنهایی برای ایجاد تعامل‌پذیری کامل کافی نیست و هماهنگی معنایی اطلاعات، تعیین قواعد مشترک و رعایت الزامات امنیتی نیز اهمیت دارند.
🔹اهمیت FHIR در فناوری اطلاعات سلامت
یکی از اهداف اصلی فناوری اطلاعات سلامت، ایجاد ارتباط مؤثر میان سامانه‌ها و فراهم کردن امکان استفاده درست از داده‌های پزشکی است. FHIR می‌تواند در کنار پرونده الکترونیک سلامت، سامانه‌های اطلاعات بیمارستانی، سامانه‌های آزمایشگاهی و سایر نرم‌افزارهای حوزه سلامت، نقش مهمی در تحقق این هدف داشته باشد.
از طرف دیگر، با توسعه هوش مصنوعی و خدمات سلامت دیجیتال، دسترسی ساختاریافته به اطلاعات پزشکی اهمیت بیشتری پیدا کرده است. استانداردهایی مانند FHIR می‌توانند زیرساخت مناسبی برای تبادل این اطلاعات فراهم کنند؛ البته کیفیت داده‌ها، حفظ حریم خصوصی و امنیت اطلاعات همچنان ضروری است.
📌 در مجموع، FHIR یکی از استانداردهای مهم و رو به گسترش در حوزه تعامل‌پذیری سلامت است و آشنایی با آن برای دانشجویان فناوری اطلاعات سلامت، به‌ویژه علاقه‌مندان به پرونده الکترونیک سلامت، یکپارچه‌سازی سامانه‌ها و سلامت دیجیتال، اهمیت زیادی دارد.
📚 منابع پیشنهادی برای مطالعه بیشتر:
1. مدیریت فناوری اطلاعات سلامت
2. انفورماتیک زیست‌پزشکی، جلد اول
3. راهنمای تبادل داده با سامانه پرونده الکترونیکی سلامت ایران: داده‌پیام اطلاعات خدمات سلامت
📍انجمن علمی فناوری اطلاعات سلامت
دانشگاه علوم پزشکی تهران
@tums_hita
✅ پاسخ صحیح: Data Classification
Data Classification یعنی طبقه‌بندی آگاهانه داده‌ها بر اساس سطح حساسیت، محرمانگی، اهمیت یا ریسک؛ مثلاً دسته‌بندی داده‌ها به Public، Internal، Confidential، Restricted.
این طبقه‌بندی می‌تواند هنگام ایجاد، اصلاح، ذخیره یا انتقال داده‌ها تعیین کند که چه سطحی از حفاظت و کنترل دسترسی لازم است.
❌ Data Integration: یعنی ترکیب و یکپارچه‌سازی داده‌ها از منابع مختلف.
❌ Data Tagging: یعنی افزودن برچسب یا متادیتا به داده‌ها؛ این برچسب می‌تواند نتیجه یا ابزار اجرای Classification باشد، اما خودِ «تصمیم‌گیری درباره سطح حساسیت» همان Classification است.
❌ Data Corruption: یعنی خراب‌شدن یا تغییر ناخواسته داده‌ها.
اینطور که مشخصه سوالات امروز چالشی بودن 🧐
بریم سراغ تحلیل 📊
✅ پاسخ صحیح: استقلال داده‌ای منطقی
در معماری سه‌سطحی پایگاه داده (ANSI/SPARC)، استقلال داده‌ای منطقی (Logical Data Independence) به این معناست که تغییرات در سطح ادراکی (Conceptual Level)، بدون نیاز به تغییر در دیدگاه‌های خارجی و برنامه‌های کاربردی کاربران انجام شوند.
برای مثال، اگر ساختار منطقی پایگاه داده تغییر کند، اما اطلاعات موردنیاز کاربران همچنان با همان ساختار قبلی ارائه شود، نیازی به تغییر برنامه‌های کاربردی نخواهد بود.
📌 بررسی دام‌های تستی:
🔹 گزینه‌های ۱ و ۲: پیوندهای فیزیکی و منطقی به ارتباط و نگاشت میان سطوح پایگاه داده مربوط‌اند، نه مفهوم استقلال داده‌ای مورد سؤال.
🔹 گزینه ۴: استقلال داده‌ای فیزیکی به معنای مصونیت سطح ادراکی در برابر تغییرات سطح داخلی، مانند تغییر روش ذخیره‌سازی یا ساخت ایندکس است.
✅ پاسخ صحیح: در زیرساخت اینترنت اشیاء مبتنی بر ابر، ارتباط درگاههای API و سرویس رایانش ابری به صورت مستقیم نیست.
در معماری اینترنت اشیاء مبتنی بر ابر (Cloud-based IoT)، درگاه API یا همان API Gateway می‌تواند مستقیماً با سرویس‌های ابری ارتباط برقرار کند و درخواست‌ها را به سرویس مناسب هدایت کند. بنابراین، ادعای عدم ارتباط مستقیم آن‌ها صحیح نیست.
📌 نکات کلیدی سایر گزینه‌ها:
🔹 گزینه ۱: ابر امکان دسترسی آسان و مقیاس‌پذیر به منابع را فراهم می‌کند؛ البته «نامحدود» بودن منابع در عمل مطلق نیست.
🔹 گزینه ۲: رایانش ابری معمولاً منابع پردازشی و ذخیره‌سازی گسترده‌تری نسبت به رایانش مه (Fog Computing) دارد؛ اما رایانش مه در کاهش تأخیر ارتباطی برتری دارد.
🔹 گزینه ۴: استفاده از رابطهای شبکه محلی می‌تواند بخشی از معماری یکپارچه‌سازی اینترنت اشیاء و ابر باشد.
🧠 یک مغز، هزاران ارتباط و دنیایی از اطلاعات برای کشف کردن!
انجمن علمی فناوری اطلاعات سلامت دانشگاه علوم پزشکی تهران، به همراه واحد پیراپزشکی مرکز پژوهش‌های علمی دانشجویان، برگزار می‌کند:
💙 Research Gathering | دورهمی پژوهشی
در این دورهمی قراره به سراغ یکی از موضوعات جذاب در حوزه علوم اعصاب و هوش مصنوعی بریم؛ اینکه چطور می‌شه با بررسی ارتباطات میان بخش‌های مختلف مغز و کمک گرفتن از مدل‌های هوشمند، ویژگی‌هایی مثل سن، وضعیت شناختی و برخی عوامل بالینی رو پیش‌بینی کرد.
📌 موضوع جلسه:
Structural Connectome Analysis Using a Graph-Based Deep Model for Prediction of Non-Imaging Variables
🔹 در این نشست، مقاله موردنظر رو با هم بررسی می‌کنیم، با روش پژوهش و ایده اصلی آن آشنا می‌شیم و درباره کاربردهای هوش مصنوعی در تحلیل داده‌های مغزی و شناخت بهتر عملکرد مغز گفت‌وگو می‌کنیم.
✨ اگر به هوش مصنوعی، علوم اعصاب، تحلیل داده و پژوهش‌های نوین در حوزه سلامت علاقه‌مندی، این دورهمی فرصتی برای یادگیری، پرسیدن سؤال و تبادل ایده در کنار دیگر علاقه‌مندان خواهد بود.
📅 تاریخ: چهارشنبه، ۲۰ آبان ۱۴۰۵
⏰ زمان: ساعت ۱۳ تا ۱۵
📍 مکان: مرکز رشد استعدادهای درخشان دانشگاه علوم پزشکی تهران
💙 منتظرتون هستیم؛ برای یک دورهمی علمی، گفت‌وگویی و پر از ایده‌های تازه!
انجمن علمی فناوری اطلاعات سلامت
دانشگاه علوم پزشکی تهران
#چهارشنبه‌پژوهشی
سلااام.💗
از همه‌ی دانشجویان، پژوهشگران و علاقه‌مندان به فعالیت‌های علمی و برنامه‌های دورهمی پژوهشی دعوت می‌کنیم که تو گروه برنامه هفتگی چهارشنبه‌ها جوین بشن.
این گروه با هدف ایجاد یک فضای دوستانه برای تبادل نظر، گفت‌وگو، به‌اشتراک‌گذاری ایده‌ها و تجربیات پژوهشی و آشنایی با دیدگاه‌های شرکت‌کنندگانه.
امیدواریم در نهایت این گروه تبدیل به بستری برای گسترش ارتباطات و شکل‌گیری همکاری‌های پژوهشی مشترک هم باشه.
☜ گروه دورهمی پژوهشی انجمن
#چهارشنبه‌پژوهشی
🔆 معرفی تیم همکاران انجمن علمی ۱۴۰۵-۱۴۰۶ فناوری اطلاعات سلامت دانشگاه علوم پزشکی تهران.
۱. مهدی درستی
° دانشجوی ورودی ۱۴۰۲ کارشناسی
۲. مهسا محمدی
° دانشجوی ورودی ۱۴۰۳ کارشناسی
۳. امیررضا رضایی
° دانشجوی ورودی ۱۴۰۳ کارشناسی
۴. امیرعلی دهقانی
° دانشجوی ورودی ۱۴۰۳ کارشناسی
@tums_hita
انجمن علمی فناوری اطلاعات سلامت دانشگاه علوم پزشکی تهران، به همراه واحد پیراپزشکی مرکز پژوهش‌های علمی دانشجویی برگزار می‌کند:
💜 Research Gathering | دورهمی پژوهشی
تا حالا فکر کردید ساعت‌های هوشمند و ابزارهای پوشیدنی چطور می‌تونن فراتر از شمارش قدم‌ها و اندازه‌گیری ضربان قلب عمل کنن؟ آیا می‌شه با کمک این ابزارها، وضعیت استرس افراد رو دقیق‌تر بررسی کرد؟
در این دورهمی قراره سراغ یکی از موضوعات جذاب و نوآورانه در مرز فناوری، هوش مصنوعی و سلامت بریم؛ جایی که داده‌های جمع‌آوری‌شده از بدن انسان می‌تونن به درک بهتر استرس کمک کنن.
📌 موضوع جلسه:
A Quantitative, Multimodal Wearable Bioelectronic Device for Comprehensive Stress Assessment and Sub-classification
💡 کنار هم یک پژوهش رو بررسی می‌کنیم، درباره ایده‌ها و کاربردهاش گفت‌وگو می‌کنیم، سؤال می‌پرسیم و از زاویه‌های مختلف به ارتباط فناوری و سلامت نگاه می‌کنیم.
📅 تاریخ: چهارشنبه، ۱۳ آبان ۱۴۰۵
⏰ زمان: ساعت ۱۳ تا ۱۵
📍 مکان: مرکز رشد استعدادهای درخشان دانشگاه علوم پزشکی تهران
این فقط یک جلسه مقاله‌خوانی نیست؛ فرصتیه برای کنجکاوی، یادگیری و شکل‌گیری ایده‌های تازه.
✨ اگر به فناوری‌های پوشیدنی، هوش مصنوعی و آینده سلامت علاقه‌مندی، منتظرت هستیم!
#دورهمی_پژوهشی
📸 گزارش تصویری دورهمی پژوهشی انجمن علمی فناوری اطلاعات سلامت
🔹 دورهمی پژوهشی انجمن علمی فناوری اطلاعات سلامت دانشگاه علوم پزشکی تهران، در تاریخ ۶ آبان ۱۴۰۵، با ارائه ثمین مصباح، دانشجوی فناوری اطلاعات سلامت، با موضوع
Reinforcement Learning Improves LLM Accuracy and Reasoning in Disease Classification from Radiology Reports
برگزار شد. این مقاله در مجله علمی npj Digital Medicine منتشر شده است.
🔹 در بخش نخست این جلسه، مبانی هوش مصنوعی، یادگیری ماشین و مفاهیم مرتبط با مدل‌های زبانی بزرگ (LLMs) مرور شد تا زمینه‌ای برای درک بهتر موضوع پژوهش فراهم شود. در ادامه، مقاله مورد بررسی قرار گرفت و روش پژوهش، رویکردهای به‌کاررفته و یافته‌های آن در زمینه نقش یادگیری تقویتی در بهبود دقت و توانایی استدلال مدل‌های زبانی بزرگ برای طبقه‌بندی بیماری‌ها بر اساس گزارش‌های رادیولوژی بررسی شد.
✨ این دورهمی فرصتی برای یادگیری، گفت‌وگو، تبادل ایده‌ها و آشنایی عمیق‌تر با کاربردهای هوش مصنوعی در پژوهش‌های حوزه سلامت بود؛ فضایی برای فراتر رفتن از مطالعه مقاله و حرکت به‌سوی تحلیل انتقادی و تفکر پژوهشی.
💙 به امید تداوم چنین جمع‌هایی برای یادگیری، گفت‌وگو و شکل‌گیری ایده‌های پژوهشی تازه.
انجمن علمی فناوری اطلاعات سلامت
دانشگاه علوم پزشکی تهران
#دورهمی_پژوهشی
🔴کد تخفیف ویژه ثبت نام در رویداد از طرف انجمن علمی فناوری اطلاعات سلامت دانشگاه علوم پزشکی تهران: HITUMSUM
( برای کپی روی کد کلیک کنید )
📸 گزارش تصویری | جلسه اول تور ثبت بیماری‌ها: سرطان
نخستین جلسه از مجموعه جلسات آموزشی «تور ثبت بیماری‌ها» با محوریت سرطان، در روز چهارشنبه ۲۹ مهرماه ۱۴۰۵، در مجتمع بیمارستانی امام خمینی (ره)، انستیتو کانسر ایران، برگزار شد.
این جلسه با تدریس سرکار خانم دکتر نحوی‌جو و با هدف آشنایی با مبانی ثبت بیماری‌ها برگزار شد.
از همراهی شرکت‌کنندگان در این برنامه آموزشی سپاسگزاریم. 🌱
🔹 انجمن علمی دانشجویی فناوری اطلاعات سلامت
دانشگاه علوم پزشکی تهران
#گزارش_تصویری #تور_ثبت_بیماری‌ها
📊 از داده‌ها تا تصمیم‌های بهتر؛ سفری به دنیای ثبت بیماری‌ها!
انجمن علمی فناوری اطلاعات سلامت دانشگاه علوم پزشکی تهران برگزار می‌کند:
🔹 جلسه اول تور علمی ثبت بیماری‌ها؛ با موضوع ثبت سرطان
در این برنامه، فرصتی داریم تا از نزدیک با اهمیت ثبت اطلاعات بیماری‌ها آشنا بشیم و با نقش اون‌ها در پژوهش، برنامه‌ریزی و ارتقای سلامت بیشتر آشنا بشیم.
🎙 با حضور سرکار خانم دکتر نحوی‌جو
📅 چهارشنبه، ۲۹ مهر ۱۴۰۵
⏰ ساعت ۱۱ الی ۱۳
📍 مجتمع بیمارستانی امام خمینی (ره)
🎓 همراه با ارائه گواهی معتبر
اگر به پژوهش، مدیریت اطلاعات سلامت و شناخت کاربردهای واقعی رشته‌مون علاقه‌مندین، این فرصت رو از دست ندین!
📌 برای کسب اطلاعات بیشتر و ثبت‌نام، از طریق لینک زیر اقدام کنید:
https://survey.porsline.ir/s/LjjJiazA
انجمن علمی فناوری اطلاعات سلامت
دانشگاه علوم پزشکی تهران
🔹 گفت‌وگویی درباره آینده هوش مصنوعی در مدیریت بیماری‌ها
در تاریخ ۱۴۰۵/۷/۲۲، دورهمی پژوهشی انجمن علمی فناوری اطلاعات سلامت با ارائه‌ی مهدی درستی، دانشجوی کارشناسی فناوری اطلاعات سلامت، برگزار شد. این نشست فرصتی بود تا در کنار یکدیگر به بررسی یکی از موضوعات جذاب و روبه‌رشد حوزه سلامت، یعنی کاربرد هوش مصنوعی در مدیریت بیماری‌ها، بپردازیم.
در آغاز، با مفاهیم پایه‌ای مدل‌های زبانی بزرگ (LLMs) و عامل‌های هوش مصنوعی (AI Agents)، سازوکار کلی آن‌ها و نقششان در توسعه سامانه‌های هوشمند آشنا شدیم. سپس با تمرکز بر مقاله‌ای منتشرشده در مجله معتبر Nature با عنوان Towards Conversational Artificial Intelligence for Disease Management، به بررسی سامانه AMIE، ظرفیت‌های هوش مصنوعی مکالمه‌محور در مدیریت بیماری‌ها و فرصت‌ها و چالش‌های به‌کارگیری این فناوری در مراقبت از بیماران پرداختیم.
✨ این دورهمی فرصتی برای یادگیری، تبادل دیدگاه‌ها و نگاهی عمیق‌تر به پیوند میان فناوری اطلاعات سلامت و هوش مصنوعی بود؛ حوزه‌ای که می‌تواند افق‌های تازه‌ای را در مسیر بهبود مراقبت و مدیریت بیماری‌ها پیش روی ما قرار دهد.
💙 به امید تداوم چنین جمع‌هایی برای یادگیری، گفت‌وگو و شکل‌گیری ایده‌های پژوهشی تازه.
انجمن علمی فناوری اطلاعات سلامت
دانشگاه علوم پزشکی تهران
#دورهمی_پژوهشی
📊 سامیت امسال در یک نگاه!
📄 دومین دوره‌ی MedAI Summit با مجموعه‌ای از برنامه‌های مجازی و حضوری، از ۶ تا ۸ آبان ۱۴۰۵ برگزار می‌شود و فرصتی برای آشنایی با تازه‌ترین دستاوردها، تبادل تجربه و گفت‌وگو درباره‌ی نقش «هوش مصنوعی در علوم پزشکی و سلامت دیجیتال» است.
سامیت، بخش‌های مختلفی دارد که به شرح زیر است:
💙 رویداد مجازی | ۶ تا ۸ آبان | آنلاین
بزرگ‌ترین رویداد صنعت سلامت دیجیتال با حضور ۳۲ سخنران برتر از زمینه‌های مختلف هوش مصنوعی در علوم پزشکی. این بخش، فرصتی برای شنیدن دیدگاه‌های متخصصان، آشنایی با روندهای روز و دنبال‌کردن مسیر آینده‌ی این حوزه است و در پست زیر به معرفی سخنرانان پرداخته‌ایم:
/channel/MedAISummit/198
💙 رویداد حضوری (VIP) | ۸ آبان | ایران‌مال
شبکه‌سازی حضوری، به همراه یادگیری در کارگاه ویژه و گفتگو در پنل کارآفرینان صنعت سلامت دیجیتال ایران. فرصتی استثنائی برای یادگیری، تعامل و تشکیل ارتباطات ارزشمند که در پست زیر به معرفی بیشتر این بخش پرداختیم:
/channel/MedAISummit/158
💙 در کنار رویدادها، با محصولات سامیت هم همراه شما هستیم!
ما امسال با سرمایه‌گذاری مستقیم بر روی محصولاتی که مشکلات کاربران سامیت را هدف گرفته‌اند، تلاش کرده‌ایم که بیشترین فایده را برای جامعه مخاطبین‌مان فراهم کنیم. به زودی به معرفی این محصولات هم خواهیم پرداخت...
💙 خوشحالیم که همراه شما هستیم!
🌐MedAISummit
✈️Website💠🌐LinkedIn💠🔗Twitter💠🌐Instagram
✅ پاسخ صحیح: هم‌کنش‌پذیری معنایی امکان شناخت و تفسیر خودکار داده‌های مبادله‌شده را فراهم می‌سازد.
در Semantic Interoperability، سیستم دریافت‌کننده فقط ساختار داده را نمی‌خواند، بلکه معنای آن را نیز درک می‌کند؛ بنابراین داده می‌تواند به‌صورت خودکار پردازش و در تصمیم‌گیری‌های سیستم استفاده شود.
❌ یکپارچگی زیرمجموعه هم‌کنش‌پذیری است: این دو مفهوم مرتبط‌اند، اما مترادف یا رابطه ساده «زیرمجموعه» ندارند؛ هم‌کنش‌پذیری یکی از پیش‌نیازهای مهم ایجاد یکپارچگی بین سیستم‌هاست.
⚠️ هم‌کنش‌پذیری در سه سطح فنی، نحوی و معنایی بررسی می‌شود: این تقسیم‌بندی در برخی مدل‌های ساده‌شده دیده می‌شود، اما مدل‌های جامع‌تر Process/Organizational Interoperability را نیز در نظر می‌گیرند؛ بنابراین در این سؤال گزینه چهار دقیق‌تر است.
❌ یکپارچگی یعنی توانایی تبادل اطلاعات بین دو سیستم: این در واقع به تعریف Interoperability نزدیک‌تر است، نه Integration.
📌 نکته امتحانی:
Syntactic = سیستم ساختار داده را می‌فهمد
Semantic = سیستم معنای داده را هم می‌فهمد و می‌تواند آن را پردازش کند
✅ پاسخ صحیح: مبلغی که بیمه‌گذار هر ماه به بیمه‌گر پرداخت می‌کند.
در بیمه سلامت، Premium یعنی مبلغی که فرد برای حفظ پوشش بیمه‌ای به شرکت بیمه پرداخت می‌کند؛ این مبلغ معمولاً به‌صورت ماهانه پرداخت می‌شود و مستقل از این است که فرد در آن ماه از خدمات درمانی استفاده کرده باشد یا نه.
❌ هزینه‌ای که بیمار برای هر ویزیت پرداخت می‌کند: این مفهوم Copayment (Copay) است.
❌ درصدی از هزینه‌های درمان: این مفهوم Coinsurance است؛ یعنی بیمار و بیمه‌گر هرکدام درصدی از هزینه را می‌پردازند.
❌ مبلغی که بیمار باید برای دریافت خدمات پزشکی بپردازد: اگر منظور مبلغی باشد که بیمار پیش از شروع پوشش بیمه باید خودش پرداخت کند، به آن Deductible گفته می‌شود.
📌 نکته امتحانی:
Premium = حق بیمه
Copay = مبلغ ثابت هر خدمت
Coinsurance = درصدی از هزینه
Deductible = مبلغ اولیه قبل از شروع پوشش بیمه
بریم سراغ سوال های امروز؟
Читать полностью…
✅ پاسخ صحیح: درجه رابطه خروجی عملیات گزینش برابر با درجه رابطه اصلی است.
در جبر رابطهای (Relational Algebra)، عملگر گزینش (Selection یا σ) برای انتخاب سطرهایی از یک رابطه به کار می‌رود که شرط مشخصی را برقرار می‌کنند.
در این عملیات، فقط تعداد سطرها ممکن است کاهش یابد و ساختار ستون‌ها تغییر نمی‌کند؛ بنابراین درجه (Degree) رابطه خروجی همواره با رابطه اصلی برابر است.
📌 بررسی دام‌های تستی:
🔹 گزینه ۲: نادرست؛ کاردینالیتی (Cardinality) به تعداد سطرها اشاره دارد و در گزینش، کمتر یا مساوی رابطه اصلی است.
🔹 گزینه ۳: نادرست؛ عملیات گزینش خاصیت جابه‌جایی دارد؛ یعنی ترتیب اعمال دو شرط گزینش، نتیجه را تغییر نمی‌دهد.
🔹 گزینه ۴: نادرست؛ انتخاب ستون‌های مشخص، وظیفه عملگر تصویر (Projection یا π) است، نه گزینش.
بریم سراغ تحلیل سوال ها 📊🔎
Читать полностью…