О курсе
CardioAI: Аналитика данных и машинное обучение — онлайн-модуль, который учит работать с клиническими данными и критически оценивать модели искусственного интеллекта на реальных открытых данных кардиологических пациентов. Направление — искусственный интеллект и анализ данных.
Для кого
- Студенты медицинских вузов (специальности 31.05.01 «Лечебное дело», 31.05.02 «Педиатрия», 30.05.03 «Медицинская кибернетика») и колледжей (31.02.01 «Лечебное дело», 34.02.01 «Сестринское дело»).
- Ординаторы и молодые врачи, которым нужно читать исследования с моделями прогноза и участвовать во внедрении систем ИИ.
Входные требования — базовое знание Python: переменные, списки, функции, циклы. Установка программ не нужна: код выполняется прямо в браузере.
Актуальность
Национальная стратегия развития искусственного интеллекта на период до 2030 года (Указ Президента Российской Федерации от 10.10.2019 № 490, в редакции 2024 года) называет здравоохранение одной из приоритетных отраслей применения ИИ. Медицинские системы с ИИ регистрируются как медицинские изделия и уже применяются в лучевой и функциональной диагностике, прогнозе осложнений, поддержке назначений.
Чтобы безопасно пользоваться такими системами, врачу и медицинской сестре нужно понимать, как устроены данные и модели, где модели ошибаются и кому вредят смещения. Этому почти не учат в стандартных курсах медицинской информатики. Модуль закрывает этот пробел на примерах из кардиологии: болезни системы кровообращения — ведущая причина смертности в России.
Результаты обучения
После модуля слушатель умеет:
- проверять качество клинических данных и обезличивать их в соответствии с требованиями 152-ФЗ и врачебной тайны;
- описывать и сравнивать группы пациентов корректными статистическими методами;
- строить и интерпретировать модели прогноза риска: логистическую регрессию, деревья решений, ансамбли;
- оценивать модели как диагностические тесты: чувствительность, специфичность, PPV, ROC-AUC, калибровку, выбирать порог под клиническую задачу;
- распознавать переобучение, утечку данных и смещения, проводить внешнюю валидацию;
- анализировать выживаемость: кривые Каплана—Мейера, модель Кокса;
- давать экспертную оценку медицинской системе ИИ перед внедрением.
Структура модуля
Модуль состоит из пяти блоков и итогового контроля. В каждом блоке:
- теоретические уроки с разобранным кодом на реальных данных — все числа и графики получены тем же кодом, который видит слушатель;
- практические работы (две–три на блок) во встроенном редакторе Python с автоматической проверкой и подсказками по каждому пункту;
- домашнее задание — открытая аналитическая задача, которую проверяет преподаватель и возвращает с комментарием;
- промежуточный тест из 15 вопросов: проходной балл 80%, три попытки, затем пауза 24 часа;
- рефлексия — оценка блока и ответы на вопросы о пользе, затруднениях и применении; без неё следующий блок не открывается.
Модуль завершается итоговым тестом из 20 вопросов по всему курсу и итоговой рефлексией, после чего слушатель получает сертификат с номером, подлинность которого проверяется на сайте.
Данные: Heart Failure Clinical Records (299 пациентов с сердечной недостаточностью) и Heart Disease (920 пациентов четырёх клиник, обследованных на ИБС) из UCI Machine Learning Repository, лицензия CC BY 4.0. Оба набора обезличены.
Встраивание в образовательный процесс
| Формат | Как использовать модуль |
|---|---|
| Часть дисциплины | «Медицинская информатика», «Биостатистика», «Доказательная медицина», «Цифровые технологии в здравоохранении»: блоки модуля заменяют или дополняют практические занятия |
| Смешанное обучение | теория и практика — самостоятельно на платформе, аудиторное занятие — разбор домашних заданий и трудных вопросов из рефлексии |
| Факультатив, элективный курс | модуль целиком, 12 академических часов |
| Ординатура, дополнительное образование | самостоятельное прохождение с контролем преподавателя через панель администратора |
Преподаватель видит прогресс каждого слушателя, код практических работ, результаты тестов и ответы рефлексии, проверяет домашние задания, выдаёт временные пароли и сбрасывает попытки тестов. Строгий порядок прохождения гарантирует, что к итоговому тесту слушатель приходит, выполнив все элементы модуля.
Масштабируемость
- Исходный код открыт (лицензия MIT), учебные материалы — под лицензией CC BY 4.0: любая образовательная организация может развернуть модуль у себя.
- Платформа устанавливается одной командой на обычный компьютер или сервер, есть образ Docker и режим работы без интернета для закрытых сетей.
- Код слушателей выполняется в их браузерах, а не на сервере: нагрузка на сервер не растёт с числом практических заданий, и для группы в сотни человек достаточно недорогого сервера.
- Уроки, задания и тесты хранятся в файлах Markdown и YAML: преподаватель может адаптировать модуль под свою дисциплину без программирования.
Технические требования
- Слушателю: компьютер с современным браузером (Chrome, Edge, Firefox, Safari) и доступ в интернет; при первом открытии практической работы браузер загружает около 55 МБ.
- Организации: сервер или компьютер с Python 3.11+ или Docker; инструкция по установке — в репозитории проекта.
Безопасность
- Пароли хранятся в виде хешей Argon2, все формы защищены от межсайтовой подделки запросов, вход блокируется после серии неудачных попыток.
- Код слушателей выполняется в изолированной среде браузера и не имеет доступа к серверу.
- Используются только открытые обезличенные данные; персональные данные слушателей обрабатываются с их согласия — см. политику обработки данных.
Учебный план
Модуль рассчитан на 12.0 академических часа (540 минут, академический час — 45 минут) с учётом самостоятельной и практической работы, домашних заданий, промежуточного и итогового тестирования и рефлексии по каждому блоку.
| Блок | Теория | Практика | Домашнее задание | Тест и рефлексия | Всего, ак.ч. |
|---|---|---|---|---|---|
| 1. Медицинские данные и разведочный анализ | 42 мин | 30 мин | 20 мин | 13 мин | 2.3 |
| 2. Статистика и подготовка признаков | 34 мин | 30 мин | 20 мин | 13 мин | 2.2 |
| 3. Классические модели прогноза риска | 34 мин | 45 мин | 20 мин | 13 мин | 2.5 |
| 4. Оценка, валидация и интерпретация моделей | 34 мин | 30 мин | 20 мин | 13 мин | 2.2 |
| 5. Выживаемость и ИИ в клинической практике | 36 мин | 30 мин | 20 мин | 13 мин | 2.2 |
| Итоговое тестирование и итоговая рефлексия | — | — | — | 30 мин | 0.7 |
| Итого | 12.0 |