Opleiding: AI+ Doctor Practitioner™

De gezondheidszorg opnieuw vormgeven met AI-gestuurde diagnose

• Clinical Intelligence Focus: Ontworpen voor medische professionals om AI te integreren in de patiëntenzorg en diagnostiek
• Datagestuurde beslissingen: biedt artsen hulpmiddelen om door AI gegenereerde inzichten te interpreteren voor een nauwkeurige behandelplanning
• Uitgebreide kennis van medische AI: omvat AI-toepassingen, variërend van voorspellende analyses tot medische beeldvorming en virtuele gezondheidszorg
• Toekomstgerichte expertise: Stelt zorgverleners in staat om AI-gedreven innovaties in de klinische praktijk te leiden

Artsen: Verbeter de patiëntenzorg met AI-gestuurde hulpmiddelen voor diagnostiek, behandelplanning en ondersteuning bij klinische besluitvorming.

Geneeskundestudenten: ontwikkel toekomstgerichte vaardigheden door te leren hoe AI de moderne geneeskunde en klinische werkprocessen transformeert.

Zorgbestuurders: Maak gebruik van AI om de ziekenhuisvoering, het middelenbeheer en de dienstverlening aan patiënten te verbeteren.

Klinische onderzoekers: Pas AI toe voor geavanceerde data-analyse, voorspellende modellen en evidence-based medisch onderzoek.

Liefhebbers van gezondheidstechnologie: Ontdek de synergie tussen AI en de gezondheidszorg om te innoveren en bij te dragen aan medische oplossingen van de volgende generatie.

• Verbetert de diagnostische nauwkeurigheid:

  Krijg tools ter ondersteuning van snellere, nauwkeurigere diagnoses met behulp van AI-algoritmen die zijn getraind op basis van uitgebreide klinische gegevens.

• Overbrugt de kloof tussen geneeskunde en technologie:

  Stelt artsen in staat om samen te werken met AI-systemen, waardoor een hybride zorgmodel ontstaat dat de efficiëntie verhoogt.

• Maakt de medische praktijk toekomstbestendig:

  Zorgt ervoor dat zorgprofessionals beschikken over AI-vaardigheden die essentieel zijn om zich aan te passen aan snel evoluerende klinische technologieën.

• Verbetert de resultaten voor patiënten:

  Leer AI in te zetten voor gepersonaliseerde behandelplannen, voorspellende analyses en realtime patiëntmonitoring.

• Bevestigt toonaangevende competentie:

  Verdien erkenning voor het beheersen van AI-integratie in de gezondheidszorg – een troef in onderzoek, ziekenhuizen en technologisch gedreven medische omgevingen.

• 1.1 Van beslissingsondersteuning tot diagnostische intelligentie
• 1.2 Wat maakt AI in de geneeskunde uniek?
• 1.3 Soorten machine learning in de geneeskunde
• 1.4 Veelgebruikte algoritmen en hun toepassing in de gezondheidszorg
• 1.5 Praktijkvoorbeelden uit verschillende medische specialismen
• 1.6 Mythen over AI in de gezondheidszorg ontkracht
• 1.7 Praktische tools die clinici vandaag de dag gebruiken
• 1.8 Praktijkopdracht: analyse van medische beeldvorming met MediScan AI

• 2.1 Inleiding tot neurale netwerken: de kracht van AI ontsluiten
• 2.2 Convolutionele neurale netwerken (CNN's) voor visuele gegevens: kijken door de ogen van AI
• 2.3 Beeldmodaliteiten in medische AI: het multimodale zicht van AI
• 2.4 Workflow voor het trainen van modellen: van het labelen van gegevens tot implementatie – de AI-levenscyclus in de geneeskunde
• 2.5 Samenwerking tussen mens en AI bij de diagnose: de kracht van augmented intelligence
• 2.6 Door de FDA goedgekeurde AI-tools voor diagnostische beeldvorming: vertrouwen en validatie
• 2.7 Praktische oefening: verkenning van AI-gestuurde differentiële diagnose met Symptoma

• 3.1 Inzicht in soorten klinische gegevens – EPD's, vitale functies, laboratoriumresultaten
• 3.2 Gestructureerde versus ongestructureerde gegevens in de geneeskunde
• 3.3 De rol van dashboards en visualisatie bij klinische beslissingen
• 3.4 Patroonherkenning en signaaldetectie in patiëntgegevens
• 3.5 Risicopatiënten identificeren aan de hand van trends en AI-scores
• 3.6 Interactieve oefening: AI-assistent voor inzichten in klinische aantekeningen

• 4.1 Voorspellende modellen voor risicostratificatie – sepsis en heropnames in het ziekenhuis
• 4.2 Logistische regressie, beslissingsbomen, ensemblemodellen
• 4.3 Real-time waarschuwingen – Vroegtijdige waarschuwingssystemen (MEWS, NEWS)
• 4.4 Sensitiviteit versus specificiteit – keuze van maatstaven op basis van klinische behoefte
• 4.5 Toepassingsvoorbeelden op de IC en de spoedeisende hulp voor door AI geactiveerde interventies

• 5.1 Grondbeginselen van NLP in de gezondheidszorg
• 5.2 Grote taalmodellen (LLM's) in de geneeskunde
• 5.3 Prompt-engineering in klinische contexten
• 5.4 Toepassingen van generatieve AI – samenvattingen, begeleidingsscripts, vertalingen
• 5.5 Ambient Intelligence: klinische documentatie van de volgende generatie
• 5.6 Beperkingen en risico’s van NLP en generatieve AI in de geneeskunde
• 5.7 Casestudie: klinische documentatie transformeren en patiëntenzorg verbeteren met Nabla Copilot

• 6.1 Algoritmische vooringenomenheid – ras, geslacht, sociaaleconomische impact
• 6.2 Uitlegbaarheid en transparantie (SHAP en LIME)
• 6.3 Validatie van AI bij verschillende bevolkingsgroepen
• 6.4 Regelgevingsnormen – Naleving van HIPAA, AVG, FDA/EMA
• 6.5 Opstellen van beleid voor ethisch AI-gebruik
• 6.6 Casestudie – Vooringenomen detectie bij pulsoximetrie

• 7.1 Kernstatistieken: de basisbegrippen begrijpen
• 7.2 Interpretatie van de verwarringmatrix en de ROC-curve
• 7.3 Afstemming van statistieken op de klinische context
• 7.4 Interpretatie van AI-uitkomsten: verbetering van de klinische besluitvorming
• 7.5 Kritische evaluatie van beweringen van leveranciers: betrouwbaarheid en effectiviteit waarborgen
• 7.6 Rode vlaggen bij commerciële AI-tools: risico’s herkennen en beperken
• 7.7 Checklist: „10 vragen die u moet stellen voordat u AI-tools aanschaft”
• 7.8 Praktijsoefening

• 8.1 Afdelingsspecifieke toepassingen van AI identificeren
• 8.2 AI in kaart brengen binnen werkprocessen (pre-diagnose, behandeling, nazorg)
• 8.3 Planning van een pilot: tijdlijn, gegevens, feedbackcycli
• 8.4 Teamrollen – klinisch pleitbezorger, AI-specialist, IT-beheerder
• 8.5 Monitoren van AI-fouten – analyse van de onderliggende oorzaak
• 8.6 Verandermanagement in klinische teams
• 8.7 Voorbeeld: workflow op de spoedeisende hulp met integratie van triage-AI
• 8.8 Schaalvergroting van AI-oplossingen binnen het hele gezondheidszorgsysteem
• 8.9 Evaluatie van de impact en prestaties van AI na implementatie

• 1.1 Wat zijn AI-agenten?
• 1.2 Hoe werkt een AI-agent in de gezondheidszorg?
• 1.3 Kernkenmerken van AI-agenten
• 1.4 Het belang van AI-agenten (algemeen + gezondheidszorg)
• 1.5 De betekenis van AI-agenten in de gezondheidszorg
• 1.6 Soorten AI-agenten
• 1.7 Toepassingen en trends in de gezondheidszorg
• 1.8 Casestudie – AI-agenten voor het samenvoegen van gegevens in de gezondheidszorg

• Python
• TensorFlow
• Scikit-learn
• Keras
• Hugging Face Transformers
• Jupyter-notebooks
• Tableau
• Matplotlib
• SQL

Inclusief online examen onder toezicht, met één gratis herkansing.
Examenopzet:

50 vragen, 70% vereist om te slagen, 90 minuten, online examen onder toezicht

Toegang tot alle materialen en examens wordt verleend gedurende 365 dagen na levering.

Cursus onder leiding van een docent OF Cursus in eigen tempo + Officieel examen + Digitale badge

De OCICT maatwerk-methode houdt in dat op basis van de behoefte van de klant - en indien nodig na een intakegesprek - een individueel opleidingstraject wordt opgesteld. De trainingen worden veelal individueel gevolgd, zodat iedere training een maatwerktraject is. Klassikale trainingen zijn natuurlijk mogelijk, mits ze aansluiten bij de leerbehoeften van de deelnemers / opdrachtgever.

Alle onderdelen van de training kennen een voortdurende wisselwerking tussen theorie en praktijk. De inhoud van de training kan vooraf per cursist worden aangepast en tijdens de cursus worden bijgesteld. De focus ligt op maatwerk: het traject wordt afgestemd op de doelstellingen van de deelnemer(s) en/of opdrachtgever, ongeacht of het individueel of klassikaal wordt aangeboden.