🔹 مخازن داده آزمایشگاهی:
PyHealth —
منبع تحلیل داده‌های بالینی و آزمایشگاهی، پیش‌پردازش و مدل‌سازی
Awesome-Medical-Datase
دیتاست‌ها و منابع آماده

🔹 نکات فنی این داده‌ها:
1️⃣ داده‌ها معمولاً ساختارمند هستند (مثل CBC، متابولیک و …)
2️⃣ الگوریتم‌های رایج ابن نوع داده ها :
Random Forest, Gradient Boosting, Neural Networks, Time-series models

📌اگر با این نوع داده ها کار کردین تجربتون بنویسین
🆔 @AI_HealthHub

🏷 پروژه Streams؛ وقتی یک نوتیفیکیشن می‌تواند جان نجات بدهد


🚨در #بیمارستان Royal Free، جواب آزمایش‌های حیاتیِ کلیه بعضی وقت‌ها با چند ساعت تأخیر به دست پزشک می‌رسید؛ برای نارسایی حاد کلیه همین چند ساعت، یعنی بالا رفتن واقعی ریسک مرگ بیمار.
هدف این بود که نتیجه آزمایش، مثل یک پیام، مستقیم روی گوشی پزشک بیاید؛ بدون این‌که کسی پشت تلفن بماند یا برگه روی میز گم شود.
​
🛠مسئله این بود : «چطور دیتا را سریع، امن و در لحظه از آزمایشگاه به (پزشک) برسانیم؟»
یک پایپ‌لاین بلادرنگ طراحی شد که نشان داد گاهی مهندسی درستِ زیرساخت، از ساختن یک مدل پیچیده مهم‌تر است.
​
⚠️در کنار این موفقیت فنی، مشکل جدی هم وجود داشت :
از داده‌های حدود ۱.۶ میلیون بیمار استفاده شد بدون اینکه از نظر شفافیت و چارچوب حقوقی، همه‌چیز کاملاً روشن باشد.

🔗 منابع و مطالعه بیشتر:
🌐 [گزارش رسمی گوگل از آموخته‌های پروژه]
🧬 [جزئیات الگوریتم پیش‌بینی AKI]

🆔 @AI_HealthHub

اگر وقت خواندن کتاب ندارید ....
📘 نکات فصل اول #کتاب
[Fundamentals of Clinical Data Science]


👀در اولین قدم از کالبدشکافی این مرجع معتبر، سراغ ریشه‌ی اصلی شکست پروژه‌های سلامت می‌رود. فصل اول به ما می‌گوید چرا بسیاری از مدل‌های دقیق، هرگز رنگ بیمارستان را نمی‌بینند



🚩 نکته ۱: اعتبار آماری ≠ اعتبار بالینی
مدل شما ممکن است روی کاغذ دقت خیره‌کننده‌ای داشته باشد، اما اگر نتواند با دیتای ناقص و «کثیفِ» یک بخش اورژانس در شیفت شب کار کند، ارزش بالینی آن صفر است.

🚩 نکته ۲: معماری برای تصمیم، نه فقط برای پیش‌بینی
هوش مصنوعی نباید فقط یک «عدد» تولید کند. اگر خروجی مدل مستقیماً به یک «اقدامِ پزشکی» (مثلاً تغییر دوز دارو یا فراخوان متخصص) ختم نشود، فقط یک نویز اضافی در سیستم است.

🚩 نکته ۳: نقش حیاتیِ بافت (Context)
یک مدل که در یک بیمارستان فوق‌تخصصی عالی عمل می‌کند، ممکن است در یک مرکز بهداشتی کوچک کاملاً اشتباه جواب بدهد. AI پزشکی به‌شدت به «بافتِ محلیِ داده‌ها» وابسته است.

💡 پیام کلی فصل اول: مدل‌سازی فقط ۳۰٪ کار است؛ ۷۰٪ باقی‌مانده، فهمیدنِ جریان کار و نیاز واقعی پزشک و بیمار است.

اینجا فقط نکات و عصاره‌ی عملی هر فصل که در پروژه‌ها یا کشیک‌ها کاربرد دارد ارائه می‌شود
🆔 @AI_HealthHub

🧠 ۵ سال آینده؛ پزشکی بدون هوش مصنوعی ممکنه؟
هوش مصنوعی دیگه ابزار جانبی نیست؛
داره به بخش اصلی تصمیم‌گیری پزشکی تبدیل می‌شه.
🔹 تشخیص دقیق‌تر
🔹 درمان شخصی‌سازی‌شده
🔹 کاهش کارهای تکراری پزشک
❗ آینده پزشکی نه «پزشک یا AI»،
بلکه پزشکِ آشنا به AI هست.
کسانی که امروز AI رو می‌فهمن و می‌سازن،
فردا فقط مصرف‌کننده نیستن؛ تصمیم‌سازن. 🩺🤖

🆔 @AI_HealthHub

💊 PharmGKB
ژنتیک و داروها در یک دیتابیس آفلاین!
آیا می‌دانستید هر فرد به داروها متفاوت واکنش نشان می‌دهد؟

✅ ارتباط ژن‌ها با اثر #دارو ها
✅ دوزهای مناسب و عوارض جانبی
✅ آفلاین و آماده برای استفاده در تحقیقات
📁 فرمت‌ها: CSV / TSV / JSON
🔗 دانلود: PharmGKB
🆔 @AI_HealthHub

✨ آموزش #پزشکی، یک تجربه هوشمندتر
دیگه فقط حفظ کردن نیست!
MedSimAI

با کمک هوش مصنوعی بیماران شبیه‌سازی‌شده برای تمرین بالینی می‌سازه
📊 کوییزهای هوشمند بر اساس عملکرد هر دانشجو طراحی می‌کنه
🔍 نقاط ضعف رو تحلیل می‌کنه و بازخورد دقیق می‌ده
یعنی یادگیری شخصی، واقعی و هدفمند
🔗 لینک رسمی: https://medsimai.com/

🆔 @AI_HealthHub

قبلا در مورد این سنجه ارزیابی مدل صحبت کردیم این سری ارزیابی مدل رو باهاش بررسی کنیم تا دیر تر نشده ببینیم

🔹 HealthBench

یک بنچمارک #ارزیابی هوش مصنوعی در حوزه سلامت هست که توسط OpenAI و با همکاری ۲۶۲ پزشک از ۶۰ کشور طراحی شده تا ببینه مدل‌ها چقدر تو سناریوهای واقعی پزشکی خوب عمل می‌کنن — نه فقط تو سوالات امتحانی!
🔹 این بنچمارک شامل ۵,۰۰۰ مکالمه واقعی و چندمرحله‌ای بین کاربر/پزشک و مدل هوش مصنوعی هست که دقیقاً مثل گفتگوهای واقعی #پزشکی طراحی شده.
🔹 برای هر مکالمه، معیارهای دقیق (Rubric) وجود داره که توسط پزشکان تدوین شده تا پاسخ مدل رو بر اساس استانداردهای بالینی، ارتباط و ایمنی امتیاز بده — نه فقط درست یا غلط بودن.

🆔 @AI_HealthHub

🔍 چطور مدل خودم رو با HealthBench تست کردم؟

📌 ۱. دیتاست HealthBench رو گرفتم
این مجموعه باز و رایگان هست
📌 ۲. سناریوهای کلیدی رو انتخاب کردم
نه همه ۵,۰۰۰، فقط اون‌هایی که برای کاربرد واقعی پزشکی مهم بودن — مثل:
پاسخ به علائم اورژانسی
توضیح نتایج آزمایش
مشاوره دارویی
📌 ۳. با معیارهای دقیق (Rubric) امتیاز دادم
به‌جای اینکه فقط بگم درست/غلط، از rubricهای طراحی‌شده توسط پزشکان استفاده کردم تا ببینم مدل واقعاً عملکردش تا چه حد مناسب و امن بوده.
📌 ۴. امتیازدهی رو تا جای ممکن خودکار کردم
برای اینکه کار سریع‌تر و قابل‌مقایسه باشه، از ابزارهای خودکار (مثلاً ارزیاب مثل GPT‑4.1) استفاده کردم تا امتیازها رو محاسبه کنم.

🆔 @AI_HealthHub

✔️ فکر ی که درباره HealthBench دارم

📍 فقط یه مجموعه سوال یا تست معمولی نیست — این یه ارزیابی واقع‌گرایانه از توانایی مدل در مواجهه با سناریوهای پزشکی واقعی هست، با سنجه‌هایی که توسط پزشکان واقعی طراحی شدن.

📍 این یعنی وقتی می‌گی “#مدل من در HealthBench این امتیاز رو گرفته”، یعنی:
✔️ توانایی پاسخ‌دهی واقع‌گرایانه
✔️ رعایت استانداردهای پزشکی
✔️ اعدم ایجاد پیام‌های گمراه‌کننده
✔️ ارتباط صحیح و قابل‌فهم
— همه با هم سنجیده شده.

اگر شما هم این ارزیابی انجام دادین نظرتون بگین
🆔 @AI_HealthHub

📄 Refine Medical Diagnosis Using Generation Augmented Retrieval and Clinical Practice Guidelines
🔗 https://arxiv.org/abs/2506.21615
🤖
این #مقاله چارچوبی به نام GARMLE‑G معرفی می‌کند که:
✔️ خروجی هوش مصنوعی را با داده واقعی #بیمار ترکیب می‌کند
✔️ بخش‌های مرتبط را بازیابی می‌کند با استفاده از گایدلاین بالنی
✔️ سپس نتیجه نهایی را با تکیه بر مرجع پزشکی می‌سازد
🔹 یعنی دیگر مدل پاسخ‌های حدسی نمی‌دهد، بلکه پاسخ‌ها بر اساس شواهد بالینی هستند.

📌 یک پاراگراف از چکیده
Current medical language models… predict ICD code‑based diagnosis from electronic health records (EHRs)… This misalignment limits the clinical utility of existing models. We introduce GARMLE‑G, a Generation‑Augmented Retrieval framework that grounds medical language model outputs in authoritative CPGs… GARMLE‑G enables hallucination‑free outputs by directly retrieving authoritative guideline content without relying on model‑generated text… demonstrating superior retrieval precision, semantic relevance, and clinical guideline adherence compared to RAG‑based baselines.

🆔 @AI_HealthHub

حتما برات پیش اومده موقع کار دردسر اصلی، اطلاعات حساس #بیمار (PHI)باشه 🤯

چون همین اسم/شماره/آدرس/تاریخ تولد اگر توی متن بمونه، موقع Share کردن می‌تونه مشکل جدی درست کنه.
قبل از هر اشتراک‌گذاری یا تحلیل، باید متن رو «بی‌هویت‌سازی (De-identification)» کنی؛ یعنی بخش‌های هویتی رو شناسایی کنی تا ریسک لو رفتن اطلاعات کم بشه. ✅

🆔 @AI_HealthHub

🔹مدل riggsmed/deid-LONGFORMER-NemPII
کمک می‌کنه اطلاعات هویتی داخل متن‌های #بالینی رو پیدا کنی
🔹طبق توضیحات مدل، روی تست به 97.74% رسیده و برای متن‌های طولانی هم مناسبه (تا حدود 4096 توکن).
🔹نکته جذاب این پروژه اینه که فقط حذف ساده نیست؛ د «جایگزینی هم مطرح شده تا متن همچنان برای تحلیل قابل استفاده بمونه.
🔹خبر بد اینکه فارسی رو پشتیبانی نمیکنه

from transformers import pipeline

pipe = pipeline(
    "token-classification",
    model="riggsmed/deid-LONGFORMER-NemPII",
    aggregation_strategy="simple"
)

text = "Contact Dr. Sarah Johnson at (405) 555-1234."
entities = pipe(text)

for ent in entities:
    print(f"{ent['word']}: {ent['entity_group']} ({ent['score']:.2f})")

🆔 @AI_HealthHub

چندین بار نوشتم پاک کردم قلمم مثبت نشد

یه موقعهایی حال هیچی نییییی.س..

نظرتون در مورد این آواتار چیه توی آموزش های پیش رو داشته باشیم؟🧐
البته این یکی از آواتارهاست
سناریو و داستان خودشون دارن هر کدوم

اگر وقت خواندن کتاب ندارید …
📘 نکات فصل دوم
#کتاب Fundamentals of Clinical Data Science 👀
فصل دوم کتاب تمرکز را از «مدل» برمی‌دارد و می‌گذارد روی خودِ داده‌های بالینی؛ جایی که اغلب ریشه‌ی شکست‌ها پنهان است.

🚩 داده‌ی بالینی ذاتاً نامرتب است
داده‌های پزشکی پر از مقادیر گمشده، ثبت‌های ناقص و تفاوت‌های انسانی‌اند.
این‌ها خطا نیستند؛ بازتاب واقعیت سیستم درمان هستند.
تمیزکاری افراطی می‌تواند معنی بالینی داده را از بین ببرد.

🚩 Missing Data فقط «خلا» نیست
در پزشکی، نبودن یک آزمایش یا عدد معمولاً نتیجه‌ی یک تصمیم بالینی است.
مثلاً وقتی آزمایشی درخواست نشده، یعنی پزشک آن را ضروری ندانسته است.
پس داده‌ی گمشده خودش می‌تواند اطلاعات مهمی داشته باشد.

🚩 زمان در داده‌های سلامت خطی نیست
اندازه‌گیری‌ها نامنظم‌اند و فاصله‌ی زمانی بین آن‌ها اهمیت دارد.
اولین یا آخرین مقدار یک متغیر می‌تواند معنای بالینی متفاوتی داشته باشد.
مدلی که زمان را نفهمد، در عمل قابل اعتماد نیست

.

🚩 Labelها همیشه حقیقت مطلق نیستند
تشخیص‌ها، کدهای بیماری و Outcomeها ممکن است
با تأخیر، خطا یا تحت تأثیر عوامل اداری ثبت شده باشند.
در پزشکی، Ground Truth اغلب خاکستری است

.
💡 جمع‌بندی فصل دوم:
قبل از پرسیدن «چه مدلی بسازیم؟» باید پرسید
«این داده چگونه و چرا تولید شده است؟»
شناخت داده، مهم‌تر از انتخاب الگوریتم است.
اینجا فقط نکات خلاصه و کاربردی هر فصل ارائه می‌شود
🆔 @AI_HealthHub

مثل اینکه مورد علاقتون نبود اینو حذف میکنم

شبتون بخیر مثل اینکه اموزشها خ نامفهوم هست خدمتتون توضیح بدم از خیلی وقت قرار بود یه سری اموزش ها رو با هم داشته باشیم تو حوزه هوش مصنوعی در سلامت به صورت کاربردی تر