Ders Detayı
Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| SAĞLIK BİLİMLERİNDE YAPAY ZEKA UYGULAMALARI | ERG2116485 | Güz Dönemi | 2+0 | 2 | 3 |
| Ders Programı | Perşembe 12:00-12:45 Perşembe 12:45-13:30 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | Öğr.Gör. Abdullah Furkan CANGİ |
| Dersi Verenler | Öğr.Gör. Abdullah Furkan CANGİ |
| Dersin Yardımcıları | Öğr. Gör. Abdullah Furkan Cangi |
| Dersin Amacı | Bu ders, sağlık bilimleri ile yapay zekâ alanlarını bütünleştirerek öğrencilerin sağlık alanında kullanılan temel yapay zekâ yaklaşımlarını tanımalarını, sağlık verileri ile çalışabilmelerini ve yapay zekâ destekli karar verme sistemlerine dair farkındalık geliştirmelerini amaçlamaktadır. Ayrıca etik, mahremiyet ve güvenlik konularında da eleştirel düşünme becerisi kazandırmak hedeflenmektedir. |
| Dersin İçeriği | Bu ders; Yapay zeka ve sağlık bilimleri arasındaki ilişki ,Sağlık sektöründe yapay zekânın geleceği ve potansiyel etkileri,Temel yapay zekâ kavramları ve algoritmalar,Sağlık sektöründe yapay zekâ uygulamalarının önemi ve etkileri,Yapay zekâ ile hastalık teşhisi ve tedavi takibi,Sınıflandırma ve regresyon algoritmalarının sağlık verilerinde kullanımı,Denetimsiz öğrenme yöntemleri,Derin öğrenme,Hastalık risk tahmini ve önleme stratejileri,Ara sınav,Sağlık verilerinin gizliliği ve güvenliği,Ergoterapide yapay zekâ destekli klinik karar süreçleri,Ergoterapide AI temelli müdahale planlama ve takip sistemleri,Genel Sınav; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Yapay zekâ kavramlarını ve sağlık bilimleriyle ilişkisini açıklar. | A, E | |
| Sağlık verileri üzerinde temel yapay zekâ algoritmalarını uygular. | D, E | |
| Sınıflandırma, regresyon ve derin öğrenme modellerini sağlık problemleriyle eşleştirerek analiz eder. | A, F | |
| Klinik karar destek sistemlerinin yapısını yorumlar. | A, E | |
| AI uygulamalarında etik, mahremiyet ve veri güvenliği ilkelerini tartışır. | D, E | |
| Yapay zekânın sağlık hizmetlerindeki potansiyel etkilerini değerlendirir. | A, E | |
| Ergoterapi pratiğinde yapay zekâ temelli karar destek uygulamalarına dair örnek senaryolar geliştirir. | F, H |
| Öğretim Yöntemleri: | |
| Ölçme Yöntemleri: | A: Klasik Yazılı Sınav, D: Sözlü Sınav, E: Ödev, F: Proje Görevi, H: Performans Görevi |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Yapay zeka ve sağlık bilimleri arasındaki ilişki | Topol, E. (2019). Deep Medicine: How AI Can Make Healthcare Human Again. Hachette UK. |
| 1 | Sağlık sektöründe yapay zekânın geleceği ve potansiyel etkileri | Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380(14), 1347-1358. |
| 2 | Temel yapay zekâ kavramları ve algoritmalar | Bohr, A., & Memarzadeh, K. (Eds.). (2020). Artificial intelligence in healthcare. Academic Press. |
| 3 | Sağlık sektöründe yapay zekâ uygulamalarının önemi ve etkileri | Jiang, F., Jiang, Y., Zhi, H., Dong, Y., Li, H., Ma, S., ... & Wang, Y. (2017). Artificial intelligence in healthcare: past, present and future. Stroke and vascular neurology, 2(4). |
| 4 | Yapay zekâ ile hastalık teşhisi ve tedavi takibi | Esteva, A., Robicquet, A., Ramsundar, B., Kuleshov, V., DePristo, M., Chou, K., ... & Dean, J. (2019). A guide to deep learning in healthcare. Nature medicine, 25(1), 24-29. |
| 5 | Sınıflandırma ve regresyon algoritmalarının sağlık verilerinde kullanımı | Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380(14), 1347-1358. |
| 6 | Denetimsiz öğrenme yöntemleri | Ravì, D., Wong, C., Deligianni, F., Berthelot, M., Andreu-Perez, J., Lo, B., & Yang, G. Z. (2016). Deep learning for health informatics. IEEE journal of biomedical and health informatics, 21(1), 4-21. |
| 7 | Derin öğrenme | LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444. |
| 8 | Hastalık risk tahmini ve önleme stratejileri | LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444. |
| 9 | Ara sınav | Choi, E., Bahadori, M. T., Schuetz, A., Stewart, W. F., & Sun, J. (2016, December). Doctor ai: Predicting clinical events via recurrent neural networks. In Machine learning for healthcare conference (pp. 301-318). PMLR. |
| 10 | Sağlık verilerinin gizliliği ve güvenliği | Choi, E., Bahadori, M. T., Schuetz, A., Stewart, W. F., & Sun, J. (2016, December). Doctor ai: Predicting clinical events via recurrent neural networks. In Machine learning for healthcare conference (pp. 301-318). PMLR. |
| 12 | Ergoterapide yapay zekâ destekli klinik karar süreçleri | Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380(14), 1347-1358. |
| 13 | Ergoterapide AI temelli müdahale planlama ve takip sistemleri | LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444. |
| 14 | Genel Sınav | Choi, E., Bahadori, M. T., Schuetz, A., Stewart, W. F., & Sun, J. (2016, December). Doctor ai: Predicting clinical events via recurrent neural networks. In Machine learning for healthcare conference (pp. 301-318). PMLR. |
| Kaynak |
| Bohr, A., & Memarzadeh, K. (2020). Artificial Intelligence in Healthcare. Academic Press. Topol, E. (2019). Deep Medicine: How AI Can Make Healthcare Human Again. Hachette UK. |
| Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380(14), 1347–1358. Esteva, A., et al. (2019). A guide to deep learning in healthcare. Nature Medicine, 25(1), 24–29. |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | PY-1. Ergoterapi alanındaki güncel temel, kuramsal ve uygulamalı bilimsel bilgiye, bilgi teknolojilerini ve kaynaklarını kullanarak ulaşmayı bilir; bu bilginin doğruluğu, güvenirliği ve geçerliğini değerlendirir. | X | |||||
| 2 | PY-2. Bireyler ve topluluklar için, aktivite ve katılım açısından doğru değerlendirme yöntemlerini kullanır, terapiyi planlayarak kanıta dayalı ergoterapi teori ve temelleri kapsamında uygular. | X | |||||
| 3 | PY-3. Kişinin günlük yaşam, üretim, boş zaman aktiviteleri ve görevleriyle ilgili doğasını, ihtiyaçlarını, bunlarla ilgili performansını, aktivite ile sağlık ve iyi olma hali arasındaki ilişkiyi açıklar. | X | |||||
| 4 | PY-4. Aktivite ve katılım kısıtlılıklarını yorumlayıp, önleme, rehabilitasyon ve tedavide aktiviteleri kullanarak kişi merkezli olarak çalışır. | X | |||||
| 5 | PY-5. Bağımsız olarak mesleki, akademik çalışmalarını etkin ve etik biçimde yürütür, disiplin içi ve disiplinler arası bağımsız ve aktif çalışabilme becerisine sahiptir. | X | |||||
| 6 | PY-6. Toplumsal sorumluluk bilinci çerçevesinde ergoterapi bilimi ile ilişkili konularda araştırma, proje ve etkinliklerde ihtiyaç belirler, ilişkili araştırma sorularını oluşturur, bağımsız araştırır ve yaşam boyu öğrenmeyi sürdürür. | X | |||||
| 7 | PY-7. Yaşam boyu yeni koşullara uyum, öğrenme, yeni fikirler geliştirebilme, kaliteye önem verme özelliklerini benimseyerek bilgi kaynaklarını etkin bir biçimde kullanır. | X | |||||
| 8 | PY-8. Kişisel ve mesleki öğrenme gereksinimlerini belirler, en az bir yabancı dil öğrenerek, yaşam boyu öğrenmeye ilişkin olumlu bir tutum geliştirir ve öğrendiğini sergiler. | X | |||||
| 9 | PY-9. Ergoterapi alanı ile ilgili bilişim ve iletişim teknolojilerini kullanıp sözel ve yazılı iletişim kurarak kendini etkin ifade eder. | X | |||||
| 10 | PY-10. Ergoterapinin geliştirilmesinde birey olarak alanını ilgilendiren yasal mevzuata, bilimsel ve mesleki etik değerlere uygun davranır; danışan haklarını gözeterek mesleki performansının gerektirdiği sorumluluklarını yerine getirir, mesleki haklarını korur ve savunur. | X | |||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 40 | |
| Genel Sınavın Başarıya Oranı | 60 | |
| Toplam | 100 | |
| AKTS / İşyükü Tablosu | ||||||
| Etkinlik | Sayı | Süresi (Saat) | Toplam İş Yükü (Saat) | |||
| Ders Saati | 14 | 2 | 28 | |||
| Rehberli Problem Çözme | 0 | 0 | 0 | |||
| Problem Çözümü / Ödev / Proje / Rapor Tanzimi | 0 | 0 | 0 | |||
| Okul Dışı Diğer Faaliyetler | 0 | 0 | 0 | |||
| Proje Sunumu / Seminer | 0 | 0 | 0 | |||
| Kısa Sınav (QUİZ) ve Hazırlığı | 0 | 0 | 0 | |||
| Ara Sınav ve Hazırlığı | 4 | 2 | 8 | |||
| Genel Sınav ve Hazırlığı | 14 | 3 | 42 | |||
| Performans Görevi, Bakım Planı | 0 | 0 | 0 | |||
| Toplam İş Yükü (Saat) | 78 | |||||
| Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(78/30) | 3 | |||||
| Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır. | ||||||
Dersin Detaylı Bilgileri
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| SAĞLIK BİLİMLERİNDE YAPAY ZEKA UYGULAMALARI | ERG2116485 | Güz Dönemi | 2+0 | 2 | 3 |
| Ders Programı | Perşembe 12:00-12:45 Perşembe 12:45-13:30 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | Öğr.Gör. Abdullah Furkan CANGİ |
| Dersi Verenler | Öğr.Gör. Abdullah Furkan CANGİ |
| Dersin Yardımcıları | Öğr. Gör. Abdullah Furkan Cangi |
| Dersin Amacı | Bu ders, sağlık bilimleri ile yapay zekâ alanlarını bütünleştirerek öğrencilerin sağlık alanında kullanılan temel yapay zekâ yaklaşımlarını tanımalarını, sağlık verileri ile çalışabilmelerini ve yapay zekâ destekli karar verme sistemlerine dair farkındalık geliştirmelerini amaçlamaktadır. Ayrıca etik, mahremiyet ve güvenlik konularında da eleştirel düşünme becerisi kazandırmak hedeflenmektedir. |
| Dersin İçeriği | Bu ders; Yapay zeka ve sağlık bilimleri arasındaki ilişki ,Sağlık sektöründe yapay zekânın geleceği ve potansiyel etkileri,Temel yapay zekâ kavramları ve algoritmalar,Sağlık sektöründe yapay zekâ uygulamalarının önemi ve etkileri,Yapay zekâ ile hastalık teşhisi ve tedavi takibi,Sınıflandırma ve regresyon algoritmalarının sağlık verilerinde kullanımı,Denetimsiz öğrenme yöntemleri,Derin öğrenme,Hastalık risk tahmini ve önleme stratejileri,Ara sınav,Sağlık verilerinin gizliliği ve güvenliği,Ergoterapide yapay zekâ destekli klinik karar süreçleri,Ergoterapide AI temelli müdahale planlama ve takip sistemleri,Genel Sınav; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Yapay zekâ kavramlarını ve sağlık bilimleriyle ilişkisini açıklar. | A, E | |
| Sağlık verileri üzerinde temel yapay zekâ algoritmalarını uygular. | D, E | |
| Sınıflandırma, regresyon ve derin öğrenme modellerini sağlık problemleriyle eşleştirerek analiz eder. | A, F | |
| Klinik karar destek sistemlerinin yapısını yorumlar. | A, E | |
| AI uygulamalarında etik, mahremiyet ve veri güvenliği ilkelerini tartışır. | D, E | |
| Yapay zekânın sağlık hizmetlerindeki potansiyel etkilerini değerlendirir. | A, E | |
| Ergoterapi pratiğinde yapay zekâ temelli karar destek uygulamalarına dair örnek senaryolar geliştirir. | F, H |
| Öğretim Yöntemleri: | |
| Ölçme Yöntemleri: | A: Klasik Yazılı Sınav, D: Sözlü Sınav, E: Ödev, F: Proje Görevi, H: Performans Görevi |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Yapay zeka ve sağlık bilimleri arasındaki ilişki | Topol, E. (2019). Deep Medicine: How AI Can Make Healthcare Human Again. Hachette UK. |
| 1 | Sağlık sektöründe yapay zekânın geleceği ve potansiyel etkileri | Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380(14), 1347-1358. |
| 2 | Temel yapay zekâ kavramları ve algoritmalar | Bohr, A., & Memarzadeh, K. (Eds.). (2020). Artificial intelligence in healthcare. Academic Press. |
| 3 | Sağlık sektöründe yapay zekâ uygulamalarının önemi ve etkileri | Jiang, F., Jiang, Y., Zhi, H., Dong, Y., Li, H., Ma, S., ... & Wang, Y. (2017). Artificial intelligence in healthcare: past, present and future. Stroke and vascular neurology, 2(4). |
| 4 | Yapay zekâ ile hastalık teşhisi ve tedavi takibi | Esteva, A., Robicquet, A., Ramsundar, B., Kuleshov, V., DePristo, M., Chou, K., ... & Dean, J. (2019). A guide to deep learning in healthcare. Nature medicine, 25(1), 24-29. |
| 5 | Sınıflandırma ve regresyon algoritmalarının sağlık verilerinde kullanımı | Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380(14), 1347-1358. |
| 6 | Denetimsiz öğrenme yöntemleri | Ravì, D., Wong, C., Deligianni, F., Berthelot, M., Andreu-Perez, J., Lo, B., & Yang, G. Z. (2016). Deep learning for health informatics. IEEE journal of biomedical and health informatics, 21(1), 4-21. |
| 7 | Derin öğrenme | LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444. |
| 8 | Hastalık risk tahmini ve önleme stratejileri | LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444. |
| 9 | Ara sınav | Choi, E., Bahadori, M. T., Schuetz, A., Stewart, W. F., & Sun, J. (2016, December). Doctor ai: Predicting clinical events via recurrent neural networks. In Machine learning for healthcare conference (pp. 301-318). PMLR. |
| 10 | Sağlık verilerinin gizliliği ve güvenliği | Choi, E., Bahadori, M. T., Schuetz, A., Stewart, W. F., & Sun, J. (2016, December). Doctor ai: Predicting clinical events via recurrent neural networks. In Machine learning for healthcare conference (pp. 301-318). PMLR. |
| 12 | Ergoterapide yapay zekâ destekli klinik karar süreçleri | Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380(14), 1347-1358. |
| 13 | Ergoterapide AI temelli müdahale planlama ve takip sistemleri | LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444. |
| 14 | Genel Sınav | Choi, E., Bahadori, M. T., Schuetz, A., Stewart, W. F., & Sun, J. (2016, December). Doctor ai: Predicting clinical events via recurrent neural networks. In Machine learning for healthcare conference (pp. 301-318). PMLR. |
| Kaynak |
| Bohr, A., & Memarzadeh, K. (2020). Artificial Intelligence in Healthcare. Academic Press. Topol, E. (2019). Deep Medicine: How AI Can Make Healthcare Human Again. Hachette UK. |
| Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380(14), 1347–1358. Esteva, A., et al. (2019). A guide to deep learning in healthcare. Nature Medicine, 25(1), 24–29. |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | PY-1. Ergoterapi alanındaki güncel temel, kuramsal ve uygulamalı bilimsel bilgiye, bilgi teknolojilerini ve kaynaklarını kullanarak ulaşmayı bilir; bu bilginin doğruluğu, güvenirliği ve geçerliğini değerlendirir. | X | |||||
| 2 | PY-2. Bireyler ve topluluklar için, aktivite ve katılım açısından doğru değerlendirme yöntemlerini kullanır, terapiyi planlayarak kanıta dayalı ergoterapi teori ve temelleri kapsamında uygular. | X | |||||
| 3 | PY-3. Kişinin günlük yaşam, üretim, boş zaman aktiviteleri ve görevleriyle ilgili doğasını, ihtiyaçlarını, bunlarla ilgili performansını, aktivite ile sağlık ve iyi olma hali arasındaki ilişkiyi açıklar. | X | |||||
| 4 | PY-4. Aktivite ve katılım kısıtlılıklarını yorumlayıp, önleme, rehabilitasyon ve tedavide aktiviteleri kullanarak kişi merkezli olarak çalışır. | X | |||||
| 5 | PY-5. Bağımsız olarak mesleki, akademik çalışmalarını etkin ve etik biçimde yürütür, disiplin içi ve disiplinler arası bağımsız ve aktif çalışabilme becerisine sahiptir. | X | |||||
| 6 | PY-6. Toplumsal sorumluluk bilinci çerçevesinde ergoterapi bilimi ile ilişkili konularda araştırma, proje ve etkinliklerde ihtiyaç belirler, ilişkili araştırma sorularını oluşturur, bağımsız araştırır ve yaşam boyu öğrenmeyi sürdürür. | X | |||||
| 7 | PY-7. Yaşam boyu yeni koşullara uyum, öğrenme, yeni fikirler geliştirebilme, kaliteye önem verme özelliklerini benimseyerek bilgi kaynaklarını etkin bir biçimde kullanır. | X | |||||
| 8 | PY-8. Kişisel ve mesleki öğrenme gereksinimlerini belirler, en az bir yabancı dil öğrenerek, yaşam boyu öğrenmeye ilişkin olumlu bir tutum geliştirir ve öğrendiğini sergiler. | X | |||||
| 9 | PY-9. Ergoterapi alanı ile ilgili bilişim ve iletişim teknolojilerini kullanıp sözel ve yazılı iletişim kurarak kendini etkin ifade eder. | X | |||||
| 10 | PY-10. Ergoterapinin geliştirilmesinde birey olarak alanını ilgilendiren yasal mevzuata, bilimsel ve mesleki etik değerlere uygun davranır; danışan haklarını gözeterek mesleki performansının gerektirdiği sorumluluklarını yerine getirir, mesleki haklarını korur ve savunur. | X | |||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 40 | |
| Genel Sınavın Başarıya Oranı | 60 | |
| Toplam | 100 | |