Yapay Zeka ile Kişiselleştirilmiş Tıp Eğitimi

Eğitim Hakkında

Bu eğitim, elektronik sağlık kaydı, genomik ve çok-omik verileri yapay zeka yöntemleriyle birleştirerek bireye özgü risk tahmini, hasta alt tiplemesi ve tedavi etkisi kestirimi yapmak isteyen ekipler için tasarlanmış ileri düzey bir programdır. Katılımcılar sağkalım analizi, nedensel makine öğrenmesi, poligenik risk skorları ve hassas onkoloji vakalarını Python ile uygular.

Neden Bu Eğitim?

Çok Kaynaklı Veri. Klinik kayıt, genomik varyant, omik profil ve giyilebilir cihaz verisini tek bir analitik çerçevede birleştirin.

Bireysel Tedavi Etkisi. Tahminin ötesine geçip nedensel makine öğrenmesiyle hangi hastanın hangi tedaviden fayda göreceğini kestirin.

Klinik Karşılığı Olan. Farmakogenomik, hassas onkoloji ve klinik çalışma eşleştirme gibi sahada karşılığı olan vakalarla çalışın.

“Kişiselleştirilmiş tıp, veriyi çoğaltmakla değil, her hastanın hikayesini doğru okuyup ona en uygun kararı bulmakla gerçekleşir.”

Ön Koşullar

Python ve pandas — Python, pandas ve scikit-learn ile veri işleme ve model eğitimi deneyimine sahip olmak.
İstatistik Bilgisi — Regresyon, hipotez testi ve güven aralığı kavramlarına hâkim olmak; sağkalım bilgisi artıdır.
Biyomedikal Temel — Temel genetik kavramları ve klinik araştırma tasarımlarına genel düzeyde aşinalık.
Çalışma Ortamı — Python 3 ve Jupyter kurulu bir bilgisayar ya da eğitimde sağlanan bulut not defteri erişimi.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiKişiselleştirilmiş tıbbın kavramlarını ve biyobelirteç türlerini tanımak, klinik ve genomik veri kaynaklarını anlamak ve bunları ortak veri modelinde birleştirmek.

Modül 1

Hassas Tıp Kavramları ve Vakalar

Kişiselleştirilmiş, hassas ve stratifiye tıp kavramları
Tanısal, prognostik ve prediktif biyobelirteç ayrımı
Eşlik eden tanı (companion diagnostic) yaklaşımı
Farmakogenomik: CYP2C19 ve klopidogrel örneği
CPIC kılavuzlarıyla genotipten doz önerisine
Vaka: HER2 hedefli tedavinin hassas tıp yolculuğu

Modül 2

Klinik ve Gerçek Dünya Veri Kaynakları

Elektronik sağlık kaydında tanı, ilaç ve laboratuvar verisi
Klinik notlardan bilgi çıkarımı ve dil modelleri
Hastalık kayıtları, biyobankalar ve gerçek dünya verisi
Giyilebilir cihaz ve uzaktan izleme sinyalleri
MIMIC-IV ve Synthea ile açık ve sentetik veri
Laboratuvar: MIMIC-IV demo verisinde hasta zaman çizelgesi

Modül 3

Genomik Veriye Klinik Bakış

DNA dizileme türleri: panel, ekzom ve tüm genom
VCF formatı ve varyant anotasyon temelleri
Germline ve somatik varyant farkı ve klinik anlamı
ClinVar ile varyantların klinik önem sınıflandırması
Genetik soy çeşitliliği ve referans veri eksikliği
Laboratuvar: Varyant tablosunun klinik veriyle eşlenmesi

Modül 4

Veri Harmonizasyonu ve OMOP

OHDSI OMOP ortak veri modelinin yapısı
Standart terminolojiler: SNOMED CT, LOINC, RxNorm
Kohort tanımı, fenotipleme ve dahil etme kriterleri
Veri kalitesi, eksik veri ve kayıt yanlılığı
KVKK kapsamında genetik veri ve özel nitelikli veri
Günün değerlendirmesi ve risk modelleri gününe köprü

Günün hedefiZaman bilgisini dikkate alan risk tahmin modelleri ve sağkalım analizleri kurmak, poligenik risk skorlarını yorumlamak ve denetimsiz yöntemlerle hasta alt tiplerini keşfetmek.

Modül 1

Zamansal Klinik Tahmin Modelleri

Gözlem penceresi, tahmin ufku ve indeks tarihi tasarımı
Laboratuvar ve vital bulgulardan zamansal özellikler
Gradyan artırma ile bireysel risk tahmini
Kalibrasyon, karar eğrisi ve klinik eşik seçimi
Veri sızıntısı ve bakım süreci kaynaklı yanlılık
Laboratuvar: Yeniden yatış riski için LightGBM modeli

Modül 2

Sağkalım Analizi ve Makine Öğrenmesi

Sansürleme, Kaplan-Meier ve Cox orantılı tehlikeler
lifelines ve scikit-survival kütüphaneleri
Rastgele sağkalım ormanları ve gradyan artırmalı sağkalım
Derin sağkalım modelleri ve rekabet eden riskler
C-indeksi, zaman bağımlı AUC ve Brier skoru
Laboratuvar: Onkoloji kohortunda bireysel sağkalım eğrisi

Modül 3

Poligenik Risk Skorları

GWAS sonuçlarından poligenik risk skoruna
PGS Catalog ve skorların yeniden kullanımı
Klinik risk faktörleriyle PRS'nin birleştirilmesi
Farklı soy gruplarında taşınabilirlik sorunu
PRS'nin klinik kullanımında etik ve iletişim
Uygulama: Koroner arter hastalığı için birleşik risk modeli

Modül 4

Hasta Alt Tiplemesi

Heterojen hastalıklarda alt tip keşfinin klinik değeri
Boyut indirgeme: PCA ve UMAP ile hasta uzayı
Kümeleme: k-means, hiyerarşik ve Gauss karışım modelleri
Kümelerin kararlılığı ve klinik anlamlılık testi
Vaka: Tip 2 diyabette veri odaklı alt grupların analizi
Günün özeti ve nedensel çıkarım gününe hazırlık

Günün hedefiGözlemsel veride nedensel etki kestirimi yapmak, hedef deneme taklidini uygulamak ve heterojen tedavi etkilerini makine öğrenmesiyle bireysel düzeyde tahmin etmek.

Modül 1

Nedensel Çıkarımın Temelleri

Tahmin ile nedensel çıkarım arasındaki temel fark
Potansiyel sonuçlar çerçevesi ve ortalama tedavi etkisi
Yönlü döngüsüz grafikler (DAG) ile karıştırıcı analizi
Çarpıştırıcı yanlılığı ve yanlış düzeltme hataları
DoWhy ile nedensel modelin açıkça tanımlanması
Uygulama: Bir klinik soru için DAG çizimi ve tartışma

Modül 2

Gözlemsel Veride Etki Kestirimi

Eğilim skoru eşleştirme ve ters olasılık ağırlıklandırma
Denge tanılaması ve standartlaştırılmış ortalama farkı
Çift sağlam (doubly robust) kestiriciler
Hedef deneme taklidi (target trial emulation) tasarımı
Ölçülmemiş karıştırıcı için duyarlılık analizi
Laboratuvar: Gerçek dünya verisinde tedavi etkisi kestirimi

Modül 3

Heterojen Tedavi Etkisi

Koşullu ortalama tedavi etkisi (CATE) kavramı
Nedensel ormanlar ve çift makine öğrenmesi (DML)
EconML ile bireysel tedavi etkisi tahmini
Tedaviden en çok fayda görecek alt grupların bulunması
Randomize çalışma verisinde heterojenlik doğrulaması
Laboratuvar: Nedensel orman ile tedavi yanıtı haritası

Modül 4

Dinamik Tedavi Rejimleri

Zamanla değişen tedavi kararları ve karıştırıcılar
Dinamik tedavi rejimleri ve Q-öğrenme yaklaşımı
Pekiştirmeli öğrenmenin klinik karar problemlerinde sınırı
Politika değerlendirmesinde çevrim dışı veri riskleri
Vaka: Yoğun bakımda sıvı ve vazopresör kararları
Günün değerlendirmesi ve çok-omik gününe köprü

Günün hedefiOmik katmanları birleştirerek alt tipleri tanımlamak, tümör profiline göre tedavi yanıtını tahmin etmek ve dil modelleriyle klinik genomik yorumlamayı desteklemek.

Modül 1

Çok-Omik Veri Entegrasyonu

Genomik, transkriptomik, proteomik ve metabolomik katmanlar
Erken, ara ve geç füzyon entegrasyon stratejileri
MOFA+ ile gizil faktör tabanlı entegrasyon
Çok kipli derin öğrenme ve eksik kip yönetimi
TCGA verisiyle tümör alt tiplerinin karşılaştırılması
Laboratuvar: Çok-omik veride hasta alt tipi keşfi

Modül 2

Hassas Onkoloji ve Somatik Profil

Sürücü mutasyonlar, tümör mutasyon yükü ve MSI
OncoKB ile eyleme dönük varyantların belirlenmesi
Moleküler tümör kurulu karar süreci
Sıvı biyopside dolaşan tümör DNA'sı ve izleme
Patoloji görüntüsünden genomik durum tahmini
Vaka: Akciğer kanserinde hedefe yönelik tedavi seçimi

Modül 3

Tedavi Yanıtı Tahmini

GDSC ve DepMap ile hücre hattı ilaç duyarlılığı
Gen ifadesinden ilaç yanıtı tahmin modelleri
Hücre hattından hastaya aktarım sorunu
İmmünoterapi yanıtı için biyobelirteç modelleri
Açıklanabilirlik: SHAP ile biyolojik yorumlama
Laboratuvar: Gen ifadesiyle ilaç duyarlılığı modeli

Modül 4

Dil Modelleriyle Klinik Genomik

Kılavuz ve literatür üzerinde RAG tabanlı yorumlama
LLM ile varyant raporu özetleme ve sınırları
Hasta profiline göre klinik çalışma eşleştirme
Kaynak gösterimi ve uzman doğrulama zorunluluğu
Demo: Klinik çalışma kriterlerinin LLM ile eşleştirilmesi
Günün özeti ve uygulama gününe hazırlık

Günün hedefiDijital ikiz ve çok merkezli iş birliği yaklaşımlarını değerlendirmek, mevzuat, etik ve hakkaniyet boyutlarını ele almak ve uçtan uca hassas tıp projesini sunmak.

Modül 1

Dijital İkiz ve Sürekli İzleme

Hasta dijital ikizi kavramı ve mekanistik-veri hibriti
Giyilebilir cihaz verisiyle kişisel referans aralıkları
Diyabette sürekli glukoz izleme ve kişisel tahmin
In silico klinik çalışmalar ve sanal kohortlar
Model güncelleme ve kişisel veri kayması
Vaka: Kalp yetmezliğinde uzaktan izleme ve erken uyarı

Modül 2

Çok Merkezli İş Birliği ve Klinik Kanıt

Federe analiz ve OHDSI ağ çalışmaları yaklaşımı
Dış doğrulama ve farklı popülasyonlarda taşınabilirlik
Biyobelirteç odaklı adaptif klinik çalışma tasarımları
Sağlık teknolojisi değerlendirmesi ve maliyet etkililik
Klinisyene ve hastaya kişisel riskin iletilmesi
Uygulama: Bir modelin klinik kanıt planının hazırlanması

Modül 3

Mevzuat, Etik ve Hakkaniyet

Genetik veride KVKK, açık rıza ve geri bildirim
IVDR, MDR ve AB Yapay Zeka Yasası yükümlülükleri
Soy ve sosyoekonomik gruplar arasında hakkaniyet
Beklenmedik genetik bulguların yönetimi
Kişiselleştirilmiş tıbba erişim eşitsizliği tartışması
Tartışma: Algoritmik öneriyle tedavi reddi ikilemi

Modül 4

Hassas Tıp Projesi ve Kapanış

Grup projesi: veri, risk modeli ve tedavi etkisi analizi
Proje sunumları ve klinisyen gözüyle geri bildirim
Kurumsal hassas tıp analitiği yol haritası
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve laboratuvar not defterlerinin teslimi
İleri öğrenme kaynakları, veri setleri ve kapanış

Eğitim Kazanımları

Veri Entegrasyonu — Klinik kayıt, genomik varyant ve omik verileri OMOP gibi standartlarla birleştirerek analize hazır hale getirebileceksiniz.
Bireysel Risk — Zamansal özellikler ve kalibrasyonla güvenilir bireysel risk tahmin modelleri kurup klinik eşik belirleyebileceksiniz.
Sağkalım Analizi — Cox, rastgele sağkalım ormanları ve C-indeksiyle hastaya özgü sağkalım eğrileri üretip değerlendirebileceksiniz.
Poligenik Risk — Poligenik risk skorlarını klinik faktörlerle birleştirip farklı soy gruplarındaki sınırlarını yorumlayabileceksiniz.
Tedavi Etkisi — Eğilim skorları, hedef deneme taklidi ve nedensel ormanlarla bireysel tedavi etkisini kestirebileceksiniz.
Hassas Onkoloji — Çok-omik entegrasyon ve somatik profil verisiyle tümör alt tiplerini ve tedavi yanıtını modelleyebileceksiniz.
Etik ve Mevzuat — Genetik veri gizliliği, IVDR ve AB Yapay Zeka Yasası ile hakkaniyet gerekliliklerini projelerinize yansıtabileceksiniz.
Uçtan Uca Proje — Risk tahmini ve tedavi etkisi analizini birleştiren, klinik kanıt planı olan bir hassas tıp projesi geliştireceksiniz.

Kimler İçin Uygundur?

Sağlık veri bilimcileri
biyoistatistikçiler
klinik araştırmacılar
translasyonel araştırma ve hassas onkoloji ekipleri ile ilaç ve tanı şirketlerinin gerçek dünya verisi analistleri.

Sıkça Sorulan Sorular

Yapay Zeka ile Kişiselleştirilmiş Tıp Eğitimi kimler için uygundur?

Program; sağlık veri bilimcileri, biyoistatistikçiler, klinik araştırmacılar, translasyonel araştırma ve hassas onkoloji ekipleri ile ilaç ve tanı şirketlerinin gerçek dünya verisi analistleri için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi konular işlenir?

Eğitim 5 tam gün ve 20 modülden oluşur. Veri altyapısı, bireysel risk ve alt tipleme, nedensel çıkarım, çok-omik ve hassas onkoloji ile klinik uygulama ve etik günleri işlenir; son gün uçtan uca proje sunulur.

Katılım için hangi ön bilgiler gerekiyor?

Python, pandas ve scikit-learn ile model eğitimi deneyimi, regresyon ve hipotez testi gibi istatistik bilgisi ile temel genetik kavramlara aşinalık beklenir. Laboratuvarlar için Jupyter ortamı gerekir.

Bu eğitim biyoinformatik eğitiminden nasıl ayrışıyor?

Bu program dizileme hatları yerine hasta düzeyinde klinik karar sorularına odaklanır: bireysel risk, sağkalım, tedavi etkisi, farmakogenomik ve tümör profiline göre tedavi seçimi. Genomik veri, klinik yorum ve modelleme perspektifiyle ele alınır.

Hangi araç ve veri setleri kullanılıyor, sertifika veriliyor mu?

lifelines, scikit-survival, DoWhy, EconML, MOFA+ ve LightGBM kullanılır; MIMIC-IV demo, Synthea, TCGA, GDSC ve DepMap gibi açık veriler işlenir. Programı tamamlayanlar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

YAPAY ZEKA İLE KİŞİSELLEŞTİRİLMİŞ TIP EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Hassas Tıp Kavramları ve Vakalar

Klinik ve Gerçek Dünya Veri Kaynakları

Genomik Veriye Klinik Bakış

Veri Harmonizasyonu ve OMOP

Zamansal Klinik Tahmin Modelleri

Sağkalım Analizi ve Makine Öğrenmesi

Poligenik Risk Skorları

Hasta Alt Tiplemesi

Nedensel Çıkarımın Temelleri

Gözlemsel Veride Etki Kestirimi

Heterojen Tedavi Etkisi

Dinamik Tedavi Rejimleri

Çok-Omik Veri Entegrasyonu

Hassas Onkoloji ve Somatik Profil

Tedavi Yanıtı Tahmini

Dil Modelleriyle Klinik Genomik

Dijital İkiz ve Sürekli İzleme

Çok Merkezli İş Birliği ve Klinik Kanıt

Mevzuat, Etik ve Hakkaniyet

Hassas Tıp Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi