مدرسه جامع جراحیاز مهارتهای پایه و کاربردی تا رویکردهای نوین جراحی با حضور اساتید و جراحان برجسته کشوراساتید: دکتر سعیدرضا مهرپورجراح متخصص ارتوپدیفوق تخصص جراحی ستون فقراتاستاد تمام دانشگاه علوم پزشکی تهران دکتر وفا رحیمی موقرفوق تخصص نوروتروما دانشگاه پیتزبورگ آمریکااستاد تمام جراحی مغز و اعصاب دانشگاه علومپزشکی تهران۱٪ برتر دانشمندان جهان دكتر مجيد اكرمیفلوشیپ جراحی سرطاناستاد تمام دانشگاه علوم پزشکی شیرازدبیر انجمن جراحی سرطان ایران دکتر حبیبالله محمودزادهفلوشیپ جراحی سرطاناستاد تمام دانشگاه علوم پزشکی تهراندبیر انستیتو کنسر بیمارستان امام خمینی (ره) دکتر نرجس محمدزاده افهامیجراح عمومیفلوشیپ لاپاراسکوپی دانشگاه انگلستانهیئت علمی دانشگاه علوم پزشکی تهران دکتر علی میرزاخانلوییجراح اورولوژیستفلوشیپ جراحی اورولوژی کودکانعضو هیئت علمی دانشگاه علوم پزشکی شیراز دکتر زینب برزگر دکتری تخصصی هوش مصنوعی دانشگاه صنعتی شریفهیئت علمی و مدیر گروه هوش مصنوعی در پزشکی دانشگاه علوم پزشکی ایران سرفصلها:مهارتهای پایه جراحی و تکنیکهای بخیهآناتومی کاربردی و دسترسیهای جراحیمدیریت زخم و اصول ترمیم بافتالکتروسرجری و ابزارهای انرژیمحورجراحی کمتهاجمی و لاپاراسکوپیمتدها و فناوریهای نوین در جراحیهوش مصنوعی و آینده جراحیچالشهای نوین در جراحی سرطانرویکردهای نوین در جراحی ارتوپدیتاریخ تحول جراحی و چشمانداز آینده ۱۹ جلسه آموزش ویدئوهای آموزشی با ترجمه اختصاصی از Incision academy زیر نظر کالج جراحان انگلستان مخاطبین:دانشجویان پزشکی در تمامی مقاطع، پزشکان عمومی و رزیدنتهای رشتههای جراحی و تمامی علاقهمندان زمان شروع جلسات: از چهارشنبه ۲۸ مرداد ماهبه همراه سرتیفیکیت انگلیسی از شبکه نخبگان ایران لینک ثبتنامکسب اطلاعات بیشتر و ثبتنام گروهی:
@Med_admin3🩺 در «آکادمی مِدتَلنت» شبکه نخبگان ایران با ما همراه باشید
| @MedTalent | | medtalent_academy |۲
۲آکادمی Med-AI مدرسه جامع جراحی از مهارتهای پایه و کاربردی تا رویکردهای نوین جراحی با حضور اساتید و جراحان برجسته کشور اساتید: دکتر سعیدرضا مهرپور جراح متخصص ارتوپدی فوق تخصص جراحی ستون فقرات استاد تمام دانشگاه علوم پزشکی تهران دکتر وفا رحیمی موقر فوق تخصص نوروتروما دانشگاه پیتزبورگ آمریکا استاد تمام جراحی مغز و اعصاب دانشگاه علومپزشکی تهران ۱٪ برتر دانشمندان جهان دكتر مجيد اكرمی فلوشیپ جراحی سرطان استاد تمام دانشگاه علوم پزشکی شیراز دبیر انجمن جراحی سرطان ایران دکتر حبیبالله محمودزاده فلوشیپ جراحی سرطان استاد تمام دانشگاه علوم پزشکی تهران دبیر انستیتو کنسر بیمارستان امام خمینی (ره) دکتر نرجس محمدزاده افهامی جراح عمومی فلوشیپ لاپاراسکوپی دانشگاه انگلستان هیئت علمی دانشگاه علوم پزشکی تهران دکتر علی میرزاخانلویی جراح اورولوژیست فلوشیپ جراحی اورولوژی کودکان عضو هیئت علمی دانشگاه علوم پزشکی شیراز دکتر زینب برزگر دکتری تخصصی هوش مصنوعی دانشگاه صنعتی شریف هیئت علمی و مدیر گروه هوش مصنوعی در پزشکی دانشگاه علوم پزشکی ایران سرفصلها: مهارتهای پایه جراحی و تکنیکهای بخیه آناتومی کاربردی و دسترسیهای جراحی مدیریت زخم و اصول ترمیم بافت الکتروسرجری و ابزارهای انرژیمحور جراحی کمتهاجمی و لاپاراسکوپی متدها و فناوریهای نوین در جراحی هوش مصنوعی و آینده جراحی چالشهای نوین در جراحی سرطان رویکردهای نوین در جراحی ارتوپدی تاریخ تحول جراحی و چشمانداز آینده ۱۹ جلسه آموزش ویدئوهای آموزشی با ترجمه اختصاصی از Incision academy زیر نظر کالج جراحان انگلستان مخاطبین: دانشجویان پزشکی در تمامی مقاطع، پزشکان عمومی و رزیدنتهای رشتههای جراحی و تمامی علاقهمندان زمان شروع جلسات: از چهارشنبه ۲۸ مرداد ماه به همراه سرتیفیکیت انگلیسی از شبکه نخبگان ایران لینک ثبتنام کسب اطلاعات بیشتر و ثبتنام گروهی: @Med_admin3 🩺 در «آکادمی مِدتَلنت» شبکه نخبگان ایران با ما همراه باشید | @MedTalent | | medtalent_academy |
مدرسه جامع جراحی از مهارتهای پایه و کاربردی تا رویکردهای نوین جراحی با حضور اساتید و جراحان برجسته کشور اساتید: دکتر سعیدرضا مهرپور جراح متخصص ارتوپدی فوق تخصص جراحی ستون فقرات استاد تمام دانشگاه علوم پزشکی تهران دکتر وفا رحیمی موقر فوق تخصص نوروتروما دانشگاه پیتزبورگ آمریکا استاد تمام جراحی مغز و اعصاب دانشگاه علومپزشکی تهران ۱٪ برتر دانشمندان جهان دكتر مجيد اكرمی فلوشیپ جراحی سرطان استاد تمام دانشگاه علوم پزشکی شیراز دبیر انجمن جراحی سرطان ایران دکتر حبیبالله محمودزاده فلوشیپ جراحی سرطان استاد تمام دانشگاه علوم پزشکی تهران دبیر انستیتو کنسر بیمارستان امام خمینی (ره) دکتر نرجس محمدزاده افهامی جراح عمومی فلوشیپ لاپاراسکوپی دانشگاه انگلستان هیئت علمی دانشگاه علوم پزشکی تهران دکتر علی میرزاخانلویی جراح اورولوژیست فلوشیپ جراحی اورولوژی کودکان عضو هیئت علمی دانشگاه علوم پزشکی شیراز دکتر زینب برزگر دکتری تخصصی هوش مصنوعی دانشگاه صنعتی شریف هیئت علمی و مدیر گروه هوش مصنوعی در پزشکی دانشگاه علوم پزشکی ایران سرفصلها: مهارتهای پایه جراحی و تکنیکهای بخیه آناتومی کاربردی و دسترسیهای جراحی مدیریت زخم و اصول ترمیم بافت الکتروسرجری و ابزارهای انرژیمحور جراحی کمتهاجمی و لاپاراسکوپی متدها و فناوریهای نوین در جراحی هوش مصنوعی و آینده جراحی چالشهای نوین در جراحی سرطان رویکردهای نوین در جراحی ارتوپدی تاریخ تحول جراحی و چشمانداز آینده ۱۹ جلسه آموزش ویدئوهای آموزشی با ترجمه اختصاصی از Incision academy زیر نظر کالج جراحان انگلستان مخاطبین: دانشجویان پزشکی در تمامی مقاطع، پزشکان عمومی و رزیدنتهای رشتههای جراحی و تمامی علاقهمندان زمان شروع جلسات: از چهارشنبه ۲۸ مرداد ماه به همراه سرتیفیکیت انگلیسی از شبکه نخبگان ایران لینک ثبتنام کسب اطلاعات بیشتر و ثبتنام گروهی: @Med_admin3 🩺 در «آکادمی مِدتَلنت» شبکه نخبگان ایران با ما همراه باشید | @MedTalent | | medtalent_academy |تنها ۱ روز جهت ثبتنام در " مدرسه جامع جراحی " با حضور اساتید و جراحان برجسته کشور فرصت باقیست… لینک ثبتنامکسب اطلاعات بیشتر و ثبتنام گروهی:
@Med_admin3| @MedTalent |
آکادمی Med-AI 🩻 از تصویر تا تشخیص: آموزش پروژه محور پردازش تصاویر پزشکی با MATLAB توسط سازندگان نرمافزار Matlab و متخصصان خبره موسسه Mathworks سرفصلها: پردازش و تحلیل دادههای تصویربرداری پزشکی (X-Ray ،CT Scan و MRI) یادگیری عمیق (Deep Learning) در حوزه تصویربرداری کار با نرمافزار و ابزارهای تصویرسازی MATLAB ابزارها و متدهای بخشبندی و بهبود کیفیت تصاویر (Image Quality) به همراه منتورینگ پروژهها ۸ ساعت آموزش پروژههای تخصصی: ۳ ماژول تخصصی (آموزش فشرده) ۳ تمرین تخصصی و پروژه محور در محیط متلب ۳ آزمون ارزیابی برای سنجش مفاهیم هر بخش مخاطبین: ویژه دانشجویان علوم پزشکی، دانشجویان مهندسی و تمامی علاقمندان به حوزه هوشمصنوعی لینک ثبتنام کسب اطلاعات بیشتر و نهایی کردن ثبتنام: @Med_Admin_1 در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید @MedAI_academy @MedAI_academy Med-AI Academy
🩻 از تصویر تا تشخیص: آموزش پروژه محور پردازش تصاویر پزشکی با MATLAB توسط سازندگان نرمافزار Matlab و متخصصان خبره موسسه Mathworks سرفصلها: پردازش و تحلیل دادههای تصویربرداری پزشکی (X-Ray ،CT Scan و MRI) یادگیری عمیق (Deep Learning) در حوزه تصویربرداری کار با نرمافزار و ابزارهای تصویرسازی MATLAB ابزارها و متدهای بخشبندی و بهبود کیفیت تصاویر (Image Quality) به همراه منتورینگ پروژهها ۸ ساعت آموزش پروژههای تخصصی: ۳ ماژول تخصصی (آموزش فشرده) ۳ تمرین تخصصی و پروژه محور در محیط متلب ۳ آزمون ارزیابی برای سنجش مفاهیم هر بخش مخاطبین: ویژه دانشجویان علوم پزشکی، دانشجویان مهندسی و تمامی علاقمندان به حوزه هوشمصنوعی لینک ثبتنام کسب اطلاعات بیشتر و نهایی کردن ثبتنام: @Med_Admin_1 در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید @MedAI_academy @MedAI_academy Med-AI Academy تنها ۱ روز جهت ثبتنام در " از تصویر تا تشخیص: آموزش پروژه محور پردازش تصاویر پزشکی با MATLAB" توسط سازندگان نرمافزار Matlab و متخصصان خبره این حوزه به همراه منتورینگ فرصت باقیست… لینک ثبتنامکسب اطلاعات بیشتر و ثبتنام گروهی:
@Med_Admin_1| @MedAI_academy |
AI in Health.pdf
۹.۰۵ مگابایت
از رویا تا اجرا: نقشهی راه رهبران سلامت در عصر هوش مصنوعی کتاب AI in Health در شانزده فصل، مسیری مشخص را طی میکند: از تاریخچهی هوش مصنوعی و چرایی مصرفگرایی در سلامت آغاز میشود، به فصلهای عملیتری چون نقش هوش مصنوعی در رادیولوژی و مدیریت اخلاق هوش مصنوعی میرسد و سرانجام به چارچوبی اجرایی برای رهبران ختم میشود. نویسندهی این کتاب، تام لاوری، مدیر سابق هوش مصنوعی سلامت در مایکروسافت است. او تجربهی چندینسالهاش را در قالب راهنمایی عملی و نه صرفاً نظری برای مدیران و رهبران سازمانهای سلامت تدوین کرده است. مطالعهی این کتاب برای تمامی علاقهمندان به پیادهسازی هوش مصنوعی در یک سازمان بهداشتی، چارچوبی فصلبندیشده برای عبور از حرف به عمل فراهم میآورد.در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید
@MedAI_academy
هوش مصنوعی در اتاق عمل : برای اولین بار در جهان جراحان بیمارستان National Hospital for Neurology and Neurosurgery در لندن(بخشی از UCLH) برای اولین بار در جهان یک تومور مغزی را با کمک هوش مصنوعی زنده (live AI) از بدن بیمار خارج کردند. بیمار، رایس هیبرت ۴۸ ساله، تومور خوشخیم ۱۱ میلیمتری روی غدهٔ هیپوفیز داشت که بدون عمل، ممکن بود بیناییاش را از دست بدهد . این سیستم برخلاف ابزارهای رایج، اسکن پیش از عمل را تحلیل نمیکرد. تصویر زندهٔ دوربین جراحی را در همان لحظه بررسی میکرد و ساختارهای حیاتی مثل اعصاب بینایی و عروق اطراف را با رنگآمیزی مشخص میکرد تا جراح از آسیب به آنها پرهیز کند. این پروژه با بودجهٔ NIHR انجام شد و تیم جراحی در تمام مراحل، کنترل کامل عمل را در دست داشت.منبع خبر
در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید
@MedAI_academy۲آکادمی Med-AI هوش مصنوعی در اتاق عمل : برای اولین بار در جهان جراحان بیمارستان National Hospital for Neurology and Neurosurgery در لندن(بخشی از UCLH) برای اولین بار در جهان یک تومور مغزی را با کمک هوش مصنوعی زنده (live AI) از بدن بیمار خارج کردند. بیمار، رایس هیبرت ۴۸ ساله، تومور خوشخیم ۱۱ میلیمتری روی غدهٔ هیپوفیز داشت که بدون عمل، ممکن بود بیناییاش را از دست بدهد . این سیستم برخلاف ابزارهای رایج، اسکن پیش از عمل را تحلیل نمیکرد. تصویر زندهٔ دوربین جراحی را در همان لحظه بررسی میکرد و ساختارهای حیاتی مثل اعصاب بینایی و عروق اطراف را با رنگآمیزی مشخص میکرد تا جراح از آسیب به آنها پرهیز کند. این پروژه با بودجهٔ NIHR انجام شد و تیم جراحی در تمام مراحل، کنترل کامل عمل را در دست داشت. منبع خبر در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید @MedAI_academy
هوش مصنوعی در اتاق عمل : برای اولین بار در جهان جراحان بیمارستان National Hospital for Neurology and Neurosurgery در لندن(بخشی از UCLH) برای اولین بار در جهان یک تومور مغزی را با کمک هوش مصنوعی زنده (live AI) از بدن بیمار خارج کردند. بیمار، رایس هیبرت ۴۸ ساله، تومور خوشخیم ۱۱ میلیمتری روی غدهٔ هیپوفیز داشت که بدون عمل، ممکن بود بیناییاش را از دست بدهد . این سیستم برخلاف ابزارهای رایج، اسکن پیش از عمل را تحلیل نمیکرد. تصویر زندهٔ دوربین جراحی را در همان لحظه بررسی میکرد و ساختارهای حیاتی مثل اعصاب بینایی و عروق اطراف را با رنگآمیزی مشخص میکرد تا جراح از آسیب به آنها پرهیز کند. این پروژه با بودجهٔ NIHR انجام شد و تیم جراحی در تمام مراحل، کنترل کامل عمل را در دست داشت. منبع خبر در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید @MedAI_academy🥼 انسان هنوز تصمیم گیرنده نهایی است!
وقتی هوش مصنوعی وارد اتاق عمل شد، اما کنترل در دست جراح ماند
امروز خبری منتشر شد که یک تمایز مفهومی مهم را بهروشنی نشان میدهد. جراحان لندن، برای اولین بار در جهان، یک تومور مغزی را با کمک زندهٔ هوش مصنوعی خارج کردند. اما نکتهٔ اصلی خبر، خودِ عمل نیست. نکتهٔ اصلی، نوع مشارکت هوش مصنوعی در آن است.
چه شد؟بیمار، رایس هیبرت، مرد ۴۸ سالهٔ اهل بدفوردشر، در دسامبر ۲۰۲۴ در وسط خیابان دچار تشنج شد. اسکن، توموری خوشخیم و ۱۱ میلیمتری روی غدهٔ هیپوفیز او نشان داد. این غده، هرچند بهاندازهٔ یک نخود کوچک است، اما هورمونهای حیاتی بدن را تنظیم میکند و در همسایگی مستقیم اعصاب بینایی و عروق حیاتی قرار دارد. یک میلیمتر خطا در این ناحیه میتواند به نابینایی یا خونریزی منجر شود.
جراحان بیمارستان National Hospital for Neurology and Neurosurgery، بخشی از UCLH، عمل را در مه ۲۰۲۶ انجام دادند. جزئیات تا امروز منتشر نشد تا بیمار فرصت بهبودی کامل داشته باشد.
هوش مصنوعی دقیقاً چهکار کرد؟سیستم مورد استفاده تصویر زندهٔ دوربین جراحی را در همان لحظهٔ عمل تحلیل میکرد؛ نه اسکنهای از پیش گرفتهشده. این سیستم روی صدها ویدیوی جراحیهای قبلی هیپوفیز آموزش دیده بود و ساختارهای حساس را با رنگآمیزی (color-coding) مشخص میکرد.
اینجاست که باید بین دو مفهوم فرق گذاشت: اتوماسیون (automation) در برابر تقویت (augmentation)
۱. در اتوماسیون، ماشین تصمیم میگیرد و نقش انسان کمرنگ میشود.۲. در تقویت، ماشین فقط دید انسان را وسیعتر میکند. تصمیم نهایی همچنان با اوست.
در این عمل، تیم جراحی در تمام لحظات، کنترل کامل را در دست داشت. هوش مصنوعی فقط هشدار میداد کجا نباید دست برد.
🧩 چرا این تفاوت مهم است؟در گفتمان عمومی دربارهٔ هوش مصنوعی پزشکی، این دو مفهوم اغلب قاطی میشوند. وقتی کسی از «جراحی رباتیک» یا «جراح هوش مصنوعی» حرف میزند، ذهن شنونده معمولاً به سمت تصویر اتوماسیون کامل میرود. اما آنچه در این مورد رخ داد، دقیقاً برعکس بود. ابزار، دستیار جراح (و نه جایگزین او) بود .
حال اینجا سوال بسیار ارزشمندی مطرح میشود : آیا جراحی که به AI عادت میکند، مهارت تشخیص بصری خودش را در طول زمان حفظ میکند؟
پاسخ به این سؤال به طراحی ابزار بستگی دارد، نه فقط به دقتش.ابزاری که فقط هشدار میدهد و تصمیم را به جراح میسپارد، رفتار متفاوتی نسبت به ابزاری ایجاد میکند که مسیر برش را از پیش تعیین میکند. طبیعتاً شرکتهایی که روی خودکارسازی کامل جراحی سرمایهگذاری کردهاند، ممکن است اینطور فکر نکنند.
یک سؤال بازاگر رزیدنتهای جراحی مغز و اعصاب، از روز اول آموزش با این سیستمها کار کنند، معیار سنجش «مهارت جراحی» در آینده چه خواهد بود؟ توانایی عمل بدون کمک هوش مصنوعی و یا توانایی همکاری هوشمندانه با آن؟
در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید
@MedAI_academy
انسان هنوز تصمیم گیرنده نهایی است!وقتی هوش مصنوعی وارد اتاق عمل شد، اما کنترل در دست جراح ماند
امروز خبری منتشر شد که یک تمایز مفهومی مهم را بهروشنی نشان میدهد. جراحان لندن، برای اولین بار در جهان، یک تومور مغزی را با کمک زندهٔ هوش مصنوعی خارج کردند. اما نکتهٔ اصلی خبر، خودِ عمل نیست. نکتهٔ اصلی، نوع مشارکت هوش مصنوعی در آن است.
چه شد؟بیمار، رایس هیبرت، مرد ۴۸ سالهٔ اهل بدفوردشر، در دسامبر ۲۰۲۴ در وسط خیابان دچار تشنج شد. اسکن، توموری خوشخیم و ۱۱ میلیمتری روی غدهٔ هیپوفیز او نشان داد. این غده، هرچند بهاندازهٔ یک نخود کوچک است، اما هورمونهای حیاتی بدن را تنظیم میکند و در همسایگی مستقیم اعصاب بینایی و عروق حیاتی قرار دارد. یک میلیمتر خطا در این ناحیه میتواند به نابینایی یا خونریزی منجر شود.جراحان بیمارستان National Hospital for Neurology and Neurosurgery، بخشی از UCLH، عمل را در مه ۲۰۲۶ انجام دادند. جزئیات تا امروز منتشر نشد تا بیمار فرصت بهبودی کامل داشته باشد.
هوش مصنوعی دقیقاً چهکار کرد؟سیستم مورد استفاده تصویر زندهٔ دوربین جراحی را در همان لحظهٔ عمل تحلیل میکرد؛ نه اسکنهای از پیش گرفتهشده. این سیستم روی صدها ویدیوی جراحیهای قبلی هیپوفیز آموزش دیده بود و ساختارهای حساس را با رنگآمیزی (color-coding) مشخص میکرد.اینجاست که باید بین دو مفهوم فرق گذاشت: اتوماسیون (automation) در برابر تقویت (augmentation)
۱. در اتوماسیون، ماشین تصمیم میگیرد و نقش انسان کمرنگ میشود.۲. در تقویت، ماشین فقط دید انسان را وسیعتر میکند. تصمیم نهایی همچنان با اوست.
در این عمل، تیم جراحی در تمام لحظات، کنترل کامل را در دست داشت. هوش مصنوعی فقط هشدار میداد کجا نباید دست برد.
🧩 چرا این تفاوت مهم است؟در گفتمان عمومی دربارهٔ هوش مصنوعی پزشکی، این دو مفهوم اغلب قاطی میشوند. وقتی کسی از «جراحی رباتیک» یا «جراح هوش مصنوعی» حرف میزند، ذهن شنونده معمولاً به سمت تصویر اتوماسیون کامل میرود. اما آنچه در این مورد رخ داد، دقیقاً برعکس بود. ابزار، دستیار جراح (و نه جایگزین او) بود .
حال اینجا سوال بسیار ارزشمندی مطرح میشود : آیا جراحی که به AI عادت میکند، مهارت تشخیص بصری خودش را در طول زمان حفظ میکند؟
پاسخ به این سؤال به طراحی ابزار بستگی دارد، نه فقط به دقتش.ابزاری که فقط هشدار میدهد و تصمیم را به جراح میسپارد، رفتار متفاوتی نسبت به ابزاری ایجاد میکند که مسیر برش را از پیش تعیین میکند. طبیعتاً شرکتهایی که روی خودکارسازی کامل جراحی سرمایهگذاری کردهاند، ممکن است اینطور فکر نکنند.
یک سؤال بازاگر رزیدنتهای جراحی مغز و اعصاب، از روز اول آموزش با این سیستمها کار کنند، معیار سنجش «مهارت جراحی» در آینده چه خواهد بود؟ توانایی عمل بدون کمک هوش مصنوعی و یا توانایی همکاری هوشمندانه با آن؟در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید
@MedAI_academy۲Hacking_Healthcare.pdf
۸.۷۶ مگابایت
هککردن سلامت: چگونه هوش مصنوعی نظام سلامت را بازآفرینی میکند؟ کتاب Hacking Healthcare تصویری از آیندهی سلامت ارائه میدهد؛ آیندهای که در آن هوش مصنوعی صرفاً یک ابزار تکنولوژیک نیست، بلکه میتواند ساختارهای سنتی مراقبت سلامت را از نو طراحی کند. تام لاوری در این کتاب به بررسی نقش هوش مصنوعی در حل چالشهای پیچیدهی نظام سلامت و حرکت از مدلهای قدیمی به سیستمهایی هوشمندتر و کارآمدتر میپردازد. نویسندهی کتاب، تام لاوری، با تکیه بر تجربهی خود در حوزهی هوش مصنوعی و تحول دیجیتال سلامت، تلاش میکند فاصلهی میان فناوری و اجرای واقعی را کاهش دهد. تمرکز اصلی کتاب بر این پرسش است: رهبران حوزه سلامت چگونه میتوانند از هوش مصنوعی برای ایجاد تغییر واقعی استفاده کنند؟ کتاب Hacking Healthcare برای مدیران، سیاستگذاران، متخصصان سلامت و تمام کسانی که به آیندهی هوش مصنوعی در پزشکی علاقهمندند یک چارچوب فکری و اجرایی برای بازاندیشی در نظام سلامت فراهم میکند؛ کتابی دربارهی عبور از «استفاده از AI» به سمت بازآفرینی سیستم سیستم با AI...در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید
@MedAI_academy۱بازارسال شده از شبکه نخبگان ایران
کلاس درس "برنامهنویسی به زبان ساده با هوشمصنوعی کِلاد" به همراه زیرنویس فارسی، در انجمن علمی برنامهنویسی:| @Programming_Association |
🪜 نردبانی که اولین پلهاش را برداشتند!
تصور کنید فارغالتحصیل امسال هستید، رزومهتان آماده است؛ اما آگهیهای «جونیور» که قبلاً صدها مورد بودند حالا انگار آب شدهاند رفتهاند زیر زمین! در همان حال، آگهیهای «سنیور» بیشتر هم شدهاند!!!سؤال ما این است: در آینده ای نزدیک این افراد سنیور را از کجا قرار است پیدا کنند، وقتی کسی دیگر جونیورها را استخدام نمیکند؟
این الگو تکراری است. هر بار فناوری جدیدی وارد یک صنعت شده، اول سراغ سادهترین و تکراریترین وظایف رفته ؛ همان وظایفی که کار روز اول کارمندهای تازهکار بوده. تفاوت اینبار این است که یادگیری از طریق انجام کارهای پایه («learning by doing») خودش دارد هدف حذف قرار میگیرد. در ساختارهای سنتی، یک کارمند جدید با غربال کردن دادهها، نوشتن پیشنویس اول یا رفع اشکالهای ساده، بهمرور شمّ حرفهای (professional intuition) پیدا میکند؛ همان چیزی که بعداً در تصمیمهای پیچیدهی سطح سنیور به کار میآید. وقتی هوش مصنوعی این لایه از کار را جذب میکند، سؤال باز این است: آن شمّ حرفهای از کجا شکل میگیرد؟
طبق دادههای Indeed، آگهیهای شغلی سطح جونیور در سال ۲۰۲۵ نسبت به سال قبل ۷٪ کاهش یافته، در حالی که آگهیهای سطح سنیور ۴٪ رشد داشتهاند. در همین بازه، نرخ بیکاری فارغالتحصیلان تازه در سهماههی چهارم ۲۰۲۵ به ۵.۷٪ رسیده که بالاترین رقم سه سال اخیر است؛ و در ایالات متحده، مشاغل سطح ورودی طی ۱۸ ماه اخیر تا ۳۵٪ کاهش داشتهاند. در سوی دیگر ماجرا، وقتی از توسعهدهندگان جونیور پرسیده شده آموزششان باید بیشتر روی چه تمرکز کند، ۴۹٪ «تجربه پروژه واقعی» را انتخاب کردهاند .(با فاصله زیاد پرتکرارترین پاسخ.) [۱][۳]
این الگو برای پزشکی هم آشناست: ساختار اینترن ----> رزیدنت ----> فوقتخصص/attending دقیقاً بر همین مبنا بنا شده که وظایف پایه (گرفتن شرححال، نوشتن نوت، پیگیری روتین) بستر یادگیری بالینی میسازند. اگر روزی هریک از سطوح پایهای ، بخش زیادی از این کارهای پایه را به AI بسپارند، آیا هنوز همان مسیر شکلگیری قضاوت بالینی (clinical judgment) را طی میکنند؟ یا لازم است این مسیر آموزشی از نو طراحی شود؟
آیا راهحل، بازتعریف نقشهای ورودی است (مثلاً نیروی تازهکار را زودتر وارد کارهای مبتنی بر قضاوت کنیم) یا اینکه واقعا باید دست نگهداریم و کمی بیشتر نتایج این وضعیت را بررسی کنیم؟ در نظام آموزش پزشکی ایران، چه بخشهایی از کار «پایهای» دانشجویان واقعاً قابل واگذاری به AI هستند بیآنکه به شکلگیری تجربه بالینی آسیب بزند؟
منابع:۱. https://www.weforum.org/stories/2026/06/ai-decimate-entry-level-jobs-expert-insights/۲. https://weforum.org/stories/2026/03/how-ai-is-changing-the-nature-of-entry-level-work۳. https://www.weforum.org/stories/artificial-intelligence/as-ai-reshapes-entry-level-software-jobs-where-will-senior-developers-come-from/
در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید
@MedAI_academy
تصور کنید فارغالتحصیل امسال هستید، رزومهتان آماده است؛ اما آگهیهای «جونیور» که قبلاً صدها مورد بودند حالا انگار آب شدهاند رفتهاند زیر زمین! در همان حال، آگهیهای «سنیور» بیشتر هم شدهاند!!!سؤال ما این است: در آینده ای نزدیک این افراد سنیور را از کجا قرار است پیدا کنند، وقتی کسی دیگر جونیورها را استخدام نمیکند؟
این الگو تکراری است. هر بار فناوری جدیدی وارد یک صنعت شده، اول سراغ سادهترین و تکراریترین وظایف رفته ؛ همان وظایفی که کار روز اول کارمندهای تازهکار بوده. تفاوت اینبار این است که یادگیری از طریق انجام کارهای پایه («learning by doing») خودش دارد هدف حذف قرار میگیرد. در ساختارهای سنتی، یک کارمند جدید با غربال کردن دادهها، نوشتن پیشنویس اول یا رفع اشکالهای ساده، بهمرور شمّ حرفهای (professional intuition) پیدا میکند؛ همان چیزی که بعداً در تصمیمهای پیچیدهی سطح سنیور به کار میآید. وقتی هوش مصنوعی این لایه از کار را جذب میکند، سؤال باز این است: آن شمّ حرفهای از کجا شکل میگیرد؟ طبق دادههای Indeed، آگهیهای شغلی سطح جونیور در سال ۲۰۲۵ نسبت به سال قبل ۷٪ کاهش یافته، در حالی که آگهیهای سطح سنیور ۴٪ رشد داشتهاند. در همین بازه، نرخ بیکاری فارغالتحصیلان تازه در سهماههی چهارم ۲۰۲۵ به ۵.۷٪ رسیده که بالاترین رقم سه سال اخیر است؛ و در ایالات متحده، مشاغل سطح ورودی طی ۱۸ ماه اخیر تا ۳۵٪ کاهش داشتهاند. در سوی دیگر ماجرا، وقتی از توسعهدهندگان جونیور پرسیده شده آموزششان باید بیشتر روی چه تمرکز کند، ۴۹٪ «تجربه پروژه واقعی» را انتخاب کردهاند .(با فاصله زیاد پرتکرارترین پاسخ.) [۱][۳] این الگو برای پزشکی هم آشناست: ساختار اینترن ----> رزیدنت ----> فوقتخصص/attending دقیقاً بر همین مبنا بنا شده که وظایف پایه (گرفتن شرححال، نوشتن نوت، پیگیری روتین) بستر یادگیری بالینی میسازند. اگر روزی هریک از سطوح پایهای ، بخش زیادی از این کارهای پایه را به AI بسپارند، آیا هنوز همان مسیر شکلگیری قضاوت بالینی (clinical judgment) را طی میکنند؟ یا لازم است این مسیر آموزشی از نو طراحی شود؟ آیا راهحل، بازتعریف نقشهای ورودی است (مثلاً نیروی تازهکار را زودتر وارد کارهای مبتنی بر قضاوت کنیم) یا اینکه واقعا باید دست نگهداریم و کمی بیشتر نتایج این وضعیت را بررسی کنیم؟ در نظام آموزش پزشکی ایران، چه بخشهایی از کار «پایهای» دانشجویان واقعاً قابل واگذاری به AI هستند بیآنکه به شکلگیری تجربه بالینی آسیب بزند؟ منابع:۱. https://www.weforum.org/stories/2026/06/ai-decimate-entry-level-jobs-expert-insights/۲. https://weforum.org/stories/2026/03/how-ai-is-changing-the-nature-of-entry-level-work۳. https://www.weforum.org/stories/artificial-intelligence/as-ai-reshapes-entry-level-software-jobs-where-will-senior-developers-come-from/
در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید
@MedAI_academy۱