اتحاد پنج قطب علمی کشور: آغاز عصر “پزشکی داده محور” در ایران

مدرس و طراح دوره: دکتر مجتبی قلی زاده (استاد فناوری اطلاعات و هوش مصنوعی در دانشگاه های علوم پزشکی برتر کشور)

مقدمه: عبور از مرزهای سنتی در آموزش پزشکی

در حالی که دنیا با سرعتی سرسام آور به سمت پزشکی دقیق (Precision Medicine) حرکت می کند، ۵ دانشگاه برتر علوم پزشکی ایران (تهران، شهید بهشتی، ایران، شیراز و اصفهان) تصمیم گرفته اند تا با تجهیز نخبگان خود به سلاح «برنامه نویسی پایتون»، فصل جدیدی را در پژوهش و درمان کشور رقم بزنند.

این تغییر پارادایم، به رهبری دکتر مجتبی قلی زاده، استاد فناوری اطلاعات این دانشگاه ها، با هدف تربیت نسلی از پزشکان پژوهشگر آغاز شده است که نه تنها بر بالین بیمار، بلکه در دنیای داده ها نیز حکمرانی می کنند.

چرا ۵ دانشگاه برتر کشور پایتون را انتخاب کردند؟

در جلسات مشترک هیئت های علمی، نیاز به یک زبان مشترک بین پزشکان و مهندسان احساس شد. پایتون به عنوان این زبان مشترک انتخاب شد. دکتر قلی زاده در این دوره جامع که در این دانشگاه ها تدریس می شود، بر محورهای اختصاصی زیر تمرکز دارد:

۱. دانشگاه علوم پزشکی تهران (TUMS): تمرکز بر پژوهش های کلان (Big Data)

به عنوان قدیمی ترین و پربارترین مرکز پژوهشی کشور، حجم داده های تولید شده در بیمارستان های امام خمینی و شریعتی سرسام آور است.

• ماموریت دوره: آموزش استفاده از کتابخانه های Pandas و NumPy برای تمیز کردن (Data Cleaning) داده های هزاران پرونده بیمار جهت تولید مقالات ISI با ایمپکت فاکتور بالا.

۲. دانشگاه علوم پزشکی شهید بهشتی (SBMU): پیشگام در استارتاپ های سلامت

این دانشگاه قطب نوآوری و فناوری های نوین پزشکی است.

• ماموریت دوره: دکتر قلی زاده در اینجا به دانشجویان یاد می دهد چگونه با پایتون (Flask یا Django) ایده های خود را به MVP (حداقل محصول قابل ارائه) تبدیل کنند و اپلیکیشن های هوشمند سلامت بسازند.

۳. دانشگاه علوم پزشکی ایران (IUMS): مدیریت سیستم های سلامت

با تمرکز بر مدیریت بیمارستانی و بهداشت عمومی.

• ماموریت دوره: استفاده از پایتون برای شبیه سازی صف های انتظار بیمارستان، بهینه سازی تخصیص منابع و تحلیل داده های اپیدمیولوژیک.

۴. دانشگاه علوم پزشکی شیراز (SUMS): قطب پیوند و جراحی های پیچیده

شیراز به عنوان قطب پزشکی جنوب کشور و مرکز پیوند، نیاز به تحلیل دقیق داده های حیاتی قبل و بعد از عمل دارد.

• ماموریت دوره: تحلیل داده های بقای بیمار (Survival Analysis) با کتابخانه lifelines در پایتون.

۵. دانشگاه علوم پزشکی اصفهان (MUI): تله مدیسین و پردازش تصویر

• ماموریت دوره: آموزش پردازش تصاویر رادیولوژی و پاتولوژی برای تشخیص های از راه دور.

برشی از کلاس درس دکتر قلی زاده: تحلیل داده های چند-مرکزی (Multi-Center Study)

یکی از چالش های اصلی در پژوهش های ملی، ادغام داده های بیمارستان های مختلف است. دکتر قلی زاده در این دوره کدی را آموزش می دهد که چگونه داده های پراکنده از ۵ دانشگاه را یکپارچه کنند.

فرض کنید هر دانشگاه داده های بیماران قلبی خود را در فایل های جداگانه (CSV) دارد. هدف: ادغام و تحلیل یکپارچه.

import pandas as pd

import glob



# شبیه سازی: دکتر قلی زاده نحوه ادغام داده های ۵ دانشگاه را آموزش می دهد

def merge_hospital_data():

 # لیست فایل های داده از دانشگاه های تهران، شهید بهشتی، شیراز، و...

 all_files = glob.glob("university_data/*.csv")

 

 combined_df = pd.DataFrame()

 

 for filename in all_files:

 df = pd.read_csv(filename)

 # اضافه کردن نام دانشگاه به عنوان یک ستون برای تفکیک آماری

 uni_name = filename.split('/')[-1].replace('.csv', '')

 df['University_Source'] = uni_name

 combined_df = pd.concat([combined_df, df])

 

 return combined_df



# اجرای تابع ادغام

national_data = merge_hospital_data()



# مقایسه میانگین زمان بستری در ۵ دانشگاه برتر

average_stay = national_data.groupby('University_Source')['Length_of_Stay'].mean()



print("میانگین زمان بستری بیماران در قطب های پزشکی کشور:")

print(average_stay)content_copy python

نکته آموزشی استاد:

“دانشجویان عزیز، قدرت پایتون در این است که شما را از محدودیت فایل های اکسل جداگانه رها می کند. با همین چند خط کد، شما می توانید یک مطالعه ملی (National Study) را مدیریت کنید، کاری که قبلا نیاز به تیم های بزرگ آماری داشت.”

ساختار دوره آموزشی دکتر قلی زاده

این دوره که به صورت مشترک یا اختصاصی برای دانشجویان و رزیدنت های این ۵ دانشگاه برگزار می شود، از سطح صفر آغاز شده و به پروژه های عملیاتی ختم می شود:

1. فاز اول: الفبای کدنویسی پزشکی

• نصب آناکوندا (Anaconda) و ژوپیتر نوت بوک (محیط آزمایشگاهی کدنویسی).
• ساختارهای داده برای ذخیره اطلاعات بیمار.

1. فاز دوم: جراحی داده ها (Data Wrangling)

• کار با داده های ناقص و گمشده (Missing Data) که در پرونده های پزشکی ایران شایع است.

1. فاز سوم: هوش مصنوعی بالینی

• ساخت مدل های پیش بینی کننده (مثلا پیش بینی احتمال بازگشت بیمار به ICU).

1. فاز چهارم: مصورسازی حرفه ای (Visualization)

• تولید نمودارهای استاندارد ژورنال های معتبر (Nature, Lancet) با کدنویسی.

سخن پایانی مدرس دوره

دکتر مجتبی قلی زاده، در جمع بندی اهمیت این دوره در دانشگاه های برتر می گوید:

“امروز در راهروهای دانشکده پزشکی تهران یا شهید بهشتی، دیگر فقط صدای ورق زدن کتاب های هاریسون و نلسون نمی آید؛ صدای دکمه های کیبورد دانشجویانی می آید که در حال آموزش مدل های هوش مصنوعی هستند. ما در این ۵ دانشگاه، فقط پزشک تربیت نمی کنیم؛ ما معماران آینده سلامت ایران را تربیت می کنیم. پایتون ابزار این معماری است.”

 

اگر دانشجوی پزشکی، رزیدنت یا عضو هیئت علمی هستید، پیوستن به این موج فناوری دیگر یک انتخاب نیست، بلکه شرط بقا در دنیای آکادمیک مدرن است.