1o Θερινό Σχολείο "ChatGPT & Εφαρμογές AI για Ιατρούς" (AIMed 2025)
Σάββατο 26 έως Τετάρτη 30 Ιουλίου 2025, Μυτιλήνη, Λέσβος

Η φόρμα εγγραφής στο Θερινό σχολείο βρίσκεται στο παρακάτω link: (Στο πεδίο "Οποιαδήποτε επιπλέον πληροφορία (Προαιρετικό)" δηλώστε αν ενδιαφέρεστε για δια ζώσης ή για εξ αποστάσεως συμμετοχή και αν επιθυμείτε κράτηση μονόκλινου/δίκλινου δωματίου.)

Εγγραφή στο Θερινό Σχολείο του Πανεπιστημίου Αιγαίου      

 

Κλιματιζόμενα Δωμάτια, και Χώροι του Πανεπιστημίου Αιγαίου

Μονόκλινο δωμάτιο (22 ευρώ ανά ημέρα)

Μονόκλινο δωμάτιο

 

Δίκλινο δωμάτιο (27 ευρώ ανά ημέρα)

Δίκλινο δωμάτιο

 

Σαλονι & Κουζίνα

Σαλονι & Κουζίνα

 

Χώρος από το Future Lab

Χώρος από το Future Lab

 


 

Διδάσκοντες του Θερινού μας Σχολείου

Panagiotis Symeonidis (short bio)

Panagiotis Symeonidis (short bio)

Panagiotis Symeonidis is Associate Professor at the School of Information and Communication Systems Engineering of the Aegean University, Greece from November 2020. Before, he was Assistant Professor at the Faculty of Computer Science (scientific sector INF/01) of the Free University of Bolzano, Italy, from November 2016 till November 2020. Before moving to Bolzano, he worked for 8 years as Adjunct Assistant Professor at the Department of Informatics of the Aristotle University of Thessaloniki, Greece. He received a B.Sc. degree in Applied Informatics from University of Macedonia at Thessaloniki in 1996. He also received a M.Sc. degree in Information Systems from the same university in 2004. He received his Ph.D. in Web Mining and Information Retrieval for Personalization from the Department of Informatics of the Aristotle University of Thessaloniki in 2008. His research interests include web mining (usage mining, content mining and graph mining), information retrieval, personalized health, recommender systems, and social media analytics. He is co-author of 3 international books, 2 Greek books, 6 book chapters, 32 journal publications and 46 conference/workshop publications. His published papers have received more than 3600 citations and has an h-index = 31, according to Google Scholar. In 2017, he was recognized from AMiner among the Most Influential Researchers https://www.aminer.cn/ai10/recommendation of the last decade to the field of Recommender Systems. Two out of three of his journal publications were published in top-tier or highly ranked journals. One out of three of his conference publications have been published in top-tier or highly ranked conferences.
Dimitrios Sacharidis (short bio)

Dimitrios Sacharidis (short bio)

Dimitrios Sacharidis is an assistant professor at the Data Science and Engineering Lab at the Université Libre de Bruxelles (ULB). Prior to that he was an assistant professor at the Technical University of Vienna, and a Marie Skłodowska Curie fellow at the “Athena” Research Center and at the Hong Kong University of Science and Technology. He has a Diploma and a PhD in Computer Engineering from the National Technical University of Athens, and a MSc in Computer Science from the University of Southern California. In his research, he is interested in topics related to data science, data engineering, responsible AI, fairness and ethics in medical and other types of data.


Christos Andras (short bio)

Christos Andras (short bio)

Christos Andras received a bachelor’s in applied informatics from Macedonia University, Greece in 1996 and PhD in Sociology of Internet Technology from the same university in 2009 and MSc in Network and Complexity, Aristotle University Thessaloniki in 2022. Lately he has worked as a Software Developer and System Administrator at the Greek Language Centre, Greece. Currently, he is Specialized and Laboratory Teaching Staff in Department of Industrial Engineering and Management - International Hellenic University, specialized in "Social Information Systems". He is teaching undergraduate and postgraduate lessons such us: • «Robotics», • «Technological design method and CAD-CAM-CAE» • «History of Civilization & Technology», • «Information Society & 4th Industrial Revolution», • "Philosophy, Art and Culture for the completion of STEAM. He has developed, as a programmer and analyst of information systems, commercial applications such as (MyBusiness E.R.P, www.epsiloncomp.gr), information system for the management of psychiatric clinics etc. He is specialized in programming in .NET environment and SQL SERVER databases. His research interests include Social Impact of Information Technology, Database Development (SQL Server), Software Development (C#, VB Net), Data Analysis, Social Networks and Graph databases.

Αναλυτικό Πρόγραμμα Εκπαίδευσης ανά Ημέρα:

Τονίζεται ότι θα συγκροτηθούν ομάδες εργασίας γιατρών συναφών ειδικοτήτων, και στο τέλος κάθε μέρας θα δίνονται ανά ομάδα εργασίας όλα τα ιατρικά δεδομένα ενός ασθενούς (lab tests, progress notes, medical interventions, prescriptions, CT scans, ECGs, EEGs, κτλ.) και με την χρήση τεχνικών ΑΙ θα ζητείται η αιτιολογημένη διάγνωση και η δημιουργία κατάλληλου θεραπευτικού πλάνου.



 

ΣΑΒΒΑΤΟ 26 ΙΟΥΛΙΟΥ 2025

(08:30-9:15) Διδ. Ενότητα 1 . Διαχείριση Hλεκτρονικού Φακέλου Υγείας Ασθενούς


a. Electronic Health Records Management from https://ehealth.gov.gr/
Δημογραφικά στοιχεία ασθενών
i. Διαγνώσεις
ii. Ιατρικές παρεμβάσεις
iii. Συνταγές
iv. Φάρμακα
v. Παρενέργειες φαρμάκων
vi. Εργαστηριακές/Μικροβιολογικές εξετάσεις
vii. Σημειώσεις προόδου υγείας ασθενούς

b. Health data types (vital signs,
bio-indexes, ECGs, CT scans, ΜRIs, and other complex medical signals)

c. Μελέτη Περίπτωσης δεδομένων ενός Nοσοκομείου της Βοστώνης
(MIMIC ΙΙΙ Medical Data set)
i. Description
ii. Data Types (Clinical data (EHRs), ECGs, Chest X-Rays, Progress Notes, κτλ.)
iii. Data base schema
iv. Παρουσίαση Εφαρμογής Για Real-time
Αναλυση και Οπτικοποίηση Δεδομένων Νοσοκομείου


15 SAMPLE Slides

 

ΚΥΡΙΑΚΗ 27 ΙΟΥΛΙΟΥ 2025

(08:30-9:15) Διδ. Ενότητα 1. Ζητήματα Ηθικής
της Εφαρμογής ΑΙ στην Ιατρική και Προστασία Ευαίσθητων Ιατρικών Δεδομένων.


a. Τεχνητή Nοημοσύνη και Hθικά Zητήματα της Eφαρμογής της στην Iατρική

i. Βασικές αρχές της βιοϊατρικής ηθικής

ii. Διαφάνεια, Δικαιοσύνη και Αμεροληψία ΑΙ

iii. Συναίνεση Ασθενούς στη Λήψη Κλινικών Αποφάσεων


iv. European Union Artificial Intelligence ACT

b.Προστασία των Ευαίσθητων Προσωπικών Δεδομένων των Ασθενών.

i. Anonymization Techniques

ii. Date shifting

iii. Format Conversion

iv. Generalization of data interactions

v. K-Anonymity

vi. Adding Noise in Data

vii. Loss of Information

viii. Differential Privacy.

13 SAMPLE Slides



 

ΔΕΥΤΕΡΑ 28 ΙΟΥΛΙΟΥ 2025

(08:30-9:15) Διδ. Ενότητα 1. Αλγόριθμοι AI για την Αξιολόγηση Ιατρικών Δεδομένων και την Υποστήριξη Κλινικών Αποφάσεων.

a. Καινοτόμοι Αλγόριθμοι ΑΙ στην Βιοιατρική (π.χ. Alphafold)
b. Γραμμική παλινδρόμηση και Λογιστική παλινδρόμηση

c. Αλγόριθμος Decision Tree και Αλγόριθμος Random Forest

d. Αλγόριθμοι ΑΙ για Drug Re-purposing (π.χ. παλιά φάρμακα εναντίον COVID)

e. Βαθιά Ενισχυτική Μάθηση βάσει αλγορίθμων της DeepMind της Google

f. Βαθιά Νευρωνικά Δίκτυα (MLPs, CNNs, RNN, GCNs, etc.)

g. Αλγόριθμοι ΑΙ και ChatGPT για την παραγωγή Βιοδεικτών (bioindexes generator)

i. Αλγόριθμοι AI για Drug Re-purposing (χρήση υπαρχόντων φαρμάκων για νέες ασθένειες)

j. Εφαρμογή Αλγορίθμων AI για συνδυαστική αξιολόγηση κλινικών ευρημάτων και γενετικών χαρακτηριστικών (DNA) του ασθενους.

20 SAMPLE Slides


 

ΤΡΙΤΗ 29 ΙΟΥΛΙΟΥ 2025

(08:30-9:15) Διδ. Ενότητα 1. Κατάλληλα ChatGPT Prompts για Ιατρούς.

a. Τι είναι τα ChatGPT prompts και ποια η σημασία τους;
b. Βέλτιστες πρακτικές για την συγγραφή κατάλληλων ChatGPT prompts (παιχνίδι ρόλων)
c. Καθορισμός περιορισμών
d. ChatGPT prompts for after visit remedy generation based on Word/Excel data

Παράδειγμα ενός Prompt για ChatGPT 4ο, το οποίο δεν είναι free και δινεται πρόσβαση κατόπιν συνδρομής:

"Σου έκανα upload δύο αρχεία. Χρησιμοποίησε τη δομή του αρχείου Word, το οποίο καταγράφει την πλήρη θεραπευτική αγωγή για έναν από τους προηγούμενους ασθενείς μου, που είχε προβλήματα με τα επίπεδα σακχάρου στο αίμα, το συκώτι, τη χοληστερόλη/τριγλυκερίδια και τα επίπεδα βιταμίνης D. Βάσει αυτού του αρχείου παρήγαγε μια νέα αναλυτική θεραπευτική αγωγή για ένα νέο ασθενή μου, ο οποίος έχει παρόμοια κλινική κατάσταση, και τα κλινικά του ευρήματα βρίσκονται στο δεύτερο υποβληθέν αρχείο Excel."

e. Study of Several Different Clinical Cases along with the creation of adequate ChatGPT prompts

f. Clustering Algorithms
g. Software for clustering the
patients into groups of diabetes disease or not

h. Genetic Algorithms and Genetic Operations (selection, crossover, mutation)

15 SAMPLE Slides


 


ΤΕΤΑΡΤΗ 30 ΙΟΥΛΙΟΥ 2025

(08:30-9:15) Διδ. Ενότητα 1. ChatGPT για τον εντοπισμό ανεπιθύμητων παρενεργειών φαρμάκων

Use of ChatGPT for finding undesirable drug-drug interactions based on new medicine findings over Web (i.e. DrugBank)

a. Undesirable Drug-Drug Interaction Checker

b. Drug Allergy (Get drug allergy and cross-sensitivities info)

c. Build evidence-based tailored treatment plan

d. Empower medical doctors with reliable drug information

e. Example of a ChatGPT prompt: “Take the list of my patient's medications and then tell me if there are any undesirable drug-drug interactions that I should be aware of by using the latest medicine publications on PubMed platform.”

f. AI Software to apply PCA to perform dimensionality reduction and bring into surface latent associations between drugs and undesirable drug-drug interaction/side effects.

g. Demonstation of AI Software from https://storm.genie.stanford.edu/ for the automated generation of a review article based on PubMed publications.

14 SAMPLE Slides


(09:45-10:30) Διδ. Ενότητα 2. Χρήση του ChatGPT
για την Αξιολόγηση Εικόνων και άλλων Ιατρικών Σημάτων


Πώς να χρησιμοποιήσετε το ChatGPT για την ερμηνεία και αξιολόγηση ιατρικών εικόνων και άλλων σύνθετων ιατρικών σημάτων, όπως τα ηλεκτροκαρδιογραφήματα (ΗΚΓ). Αυτοματοποιημένη παραγωγή αναφορών (reports) βάσει συνδυαστικής απεικονιστικής διάγνωσης και εξαγωγή αιτιολογημένων ιατρικών συμπερασμάτων.

a. Υπολογιστική Τομογραφία (CT scans)

b. Ακτινογραφίες (X-rays)

c. Μαγνητική Τομογραφία (MRI)

d. Ηλεκτροκαρδιογράφημα (ECGs)

e. Άλλα σύνθετα ιατρικά σήματα

f. Demo of ΑΙ software to apply image processing over CT scans and classify patients into COVID and non-COVID disease.

14 SAMPLE Slides






(09:45-10:30) Διδ. Ενότητα 2. Χρήση ChatGPT για τη σύνοψη (περίληψη) πολυμορφικών ιατρικών δεδομένων

a. Χρήση ChatGPT για την αξιολόγηση ηλεκτρονικού φακέλου υγείας (ΗΦΥ) ασθενούς
i. Δημογραφικά στοιχεία ασθενούς
ii. Ημερομηνία εισαγωγής/επίσκεψης και λόγος εισαγωγής/επίσκεψης
iv. Ιστορικό της παρούσας ασθένειας και προηγούμενο ιατρικό ιστορικό
v. Φάρμακα που λαμβάνει ο ασθενής, και Αλλεργίες
vi. Κοινωνικό και Οικογενειακό ιστορικό
vii. Φυσική Κλινική εξέταση, Εργαστηριακά αποτελέσματα
viii. Αξιολόγηση και θεραπευτικό πλάνο

b. Χρήση ChatGPT για την παραγωγή αναλυτικής επεξήγησης μιας θεραπευτικής αγωγής σε έναν ασθενή.
i.Κατάλογος με όλα τα φάρμακα που πρέπει να συνεχίσει να λαμβάνει ο ασθενής μετά την επίσκεψη του, μαζί με οδηγίες για τη δοσολογία και τη διάρκεια της λήψης τους.
ii. Ειδικές οδηγίες για τη φροντίδα του ασθενή στο σπίτι, όπως οδηγίες για τη διατροφή, τις σωματικές δραστηριότητες, και άλλες προφυλάξεις που πρέπει να ληφθούν υπόψη. iii. Πληροφορίες σχετικά με τα επόμενα ραντεβού που πρέπει να κάνει ο ασθενής με τους γιατρούς ή άλλους επαγγελματίες υγείας για την παρακολούθηση της κατάστασής του.

c. Παρουσίαση AI λογισμικού που προβλέπει την βέλτιστη δόση ινσουλίνης για ασθενή με διαβήτη με την χρήση ενός αλγορίθμου Deep Reinforcement Learning.

13 SAMPLE Slides




(09:45-10:30) Διδ. Ενότητα 2. Σύνθετη κλινική
εξαγωγή συμπερασμάτων με τη χρήση
του Med Gemini της Google


Example of a Clinical Case study give to Med Gemini:
"A 45-year-old male presents with a three month history of progressive shortness of breath, fatigue, and occasional chest pain. His medical history includes hypertension and diabetes. Physical examination reveals a heart rate of 95 bpm, blood pressure of 140/90 mmHg, and bilateral basal lung crackles. Laboratory tests show elevated B-type natriuretic peptide (BNP) levels and mildly reduced kidney function. What is the most likely diagnosis, and what further tests would you recommend to confirm it?"

This task requires the model to integrate the patient's symptoms, medical history, physical examination findings, and laboratory results to suggest a likely diagnosis (such as heart failure) and recommend appropriate next steps for investigation (e.g., echocardiogram, chest X-ray).

a. Demonstration of several examples of
complex clinical reasoning decision tasks, made using the Med Gemini of Google.

e. ΑΙ software to predict drug
combinations to patients and explain the predictions using graph data (patient nodes, treatment node, drug node).

12 SAMPLE Slides




(09:45-10:30) Διδ. Ενότητα 2. Εφαρμογές Tεχνητής Nοημοσύνης για Iατρούς

a. Ιατρική ακριβείας και Εξατομικευμένη Ιατρική

b. Τηλεϊατρική και Eφαρμογές τηλειατρικής

c. Χρήση εφαρμογής «Speech to Text» για τη μείωση του χρόνου της καθημερινής καταγραφής του ιστορικού του ασθενούς (π.χ. λογισμικό whisper της OpenAI)

d. Εφαρμογές AI για τον υπολογισμό υδατανθράκων και πρόβλεψη πρόσθετης δόσης ινσουλίνης (Diabetes, GlucoCalc, Abbott’s FreeStyle LibreLink, etc.)

e. Μετρικές Αποτίμησης Μοντέλων Πρόβλεψης

i. Confusion Matrix

ii. Precision, Recall, Roc curves and NDCG

iii. MAE, RMSE for Optimal Drug Dose Prediction

f. Explainability in Health

g. Demo of AI Software to recommend drug combinations to patients.

15 SAMPLE Slides




(09:45-10:30) Διδ. Ενότητα 2. Διαδίκτυο των Ιατρικών Συσκευών (Internet of Medical Things - IoMT)

a. Ψηφιοποιημένη καταγραφή καθημερινών ζωτικών ενδείξεων (μέτρηση κορεσμού οξυγόνου στο αίμα, Αρτηριακή Πίεση, μέτρηση συστολικής και διαστολικής πίεσης, θερμοκρασία σώματος, καρδιακός ρυθμός, Αναπνευστικός Ρυθμός, ECG, Glucose Continuous Monitoring, κτλ.) για παρακολούθηση και έγκαιρη ειδοποίηση των γιατρών σε πραγματικό χρόνο και για την ανάλυση πολυμορφικών ιατρικών δεδομένων που επιτρέπουν τεκμηριωμένη εξαγωγή ιατρικών συμπερασμάτων/γνωματεύσεων.

b. Wearables (Έξυπνα ρολόγια, Δαχτυλίδια, κτλ.)

i. Galaxy Ring of Samsung (Το δαχτυλίδι της Samsung για την καθημερινή μέτρηση ζωτικών ενδείξεων)

ii. Medtronic glucose sensor for Continuous Glucose Monitoring (CGM).

c. 'Αλλες Έξυπνες ιατρικές συσκευές.

d. Application of AI algorithms over medical progress notes.

e ChatGPT and Retrieval Augmented Generation

f. Demo of AI software to send the electronic health record of a patient to ChatGPT API and get a possible therapeutic prediction based on the given vital signs.

15 SAMPLE Slides



(10:45-11:30) Διδ. Ενότητα 3. Machine learning algorithms for Image Processing and other complex medical signals

a. Convolution Neural Networks I. CNN architecture II. Pooling Layers III. ResNet

b. Applications over different medical signals i. Electrocardiogram ECG ii. Magnetic Resonance Imaging (MRI) iii. Computed Tomography Scan c. Support Vector machines

I. Finding Optimal Separators with Gradient Descent II. Hard and Soft SVMs

d. Programming Exercise with python to apply image processing over CT scans and classify patients into COVID and non-COVID disease.

9 SAMPLE Slides

Python code in Google Colab




(10:45-11:30) Διδ. Ενότητα 3. Reinforcement Learning, and Deep Neural Nets

a. Markov Chain

b. Q-learning Algorithm

c. Deep Reinforcement Learning i. Deep Q-Network ii. Double Deep Q-Network/A2C iii. Optimal Insulin Dose Prediction for Diabetes Patients

c. Multi-layer perceptron i. Activation Functions ii. Loss Functions

iii. Regression Loss iv. Classification Loss d. Recurrent Neural Networks

i. Vanishing and Exploding Gradients ii. Long Sort Term Memory LSTM

e. Programming Exercise with Python to predict the optimal insulin dose for patient with diabetes using tabular Q-learning algorithm.

<10 SAMPLE Slides

Python code in Google Colab



(10:45-11:30) Διδ. Ενότητα 3. Medical Graph Data algorithms

a. Local based similarity algorithms (Shortest Path i. Common Neighbors, Jaccard similarity index, Salton similarity index, Adamic & Adar similarity index, Preferential Attachement.

b. Global-based algorithms i. Random Walk with Restart ii. SimRank iii. PathSim

c. Graph Convolution networks

d. Graph Embeddings

e. Programming Exercise with Python to predict drug combinations to patients and explain the predictions using graph data (patient nodes, treatment node, drug node).

10 SAMPLE Slides

Python code in Google Colab



(10:45-11:30) Διδ. Ενότητα 3. Transformers, Large Language Models, and ChatGPT

1.1 Transformers

1.2 Attention and Seif-Attention

1.3 Multi-head Attention

1.4 Positional Encoding

1.5 Large Language Models and ChatGPT

1.6 Encoder Transformers

1.7 Decoder Transformers

1.8 Encoder and Decoder Transformers

1.9 Multi-model Transformers and Google's Med Gemini

1.10 Explainability in Health

1.11 Programming Exercise with Python to recommend drug combinations to patients and measure quantitatively the predictions along with the unwanted side effects they have.

Python code in Google Colab



(10:45-11:30) Διδ. Ενότητα 3. New Trends and Apps in Health Care

i. Smart Medical Watches ii. Smart Medical Devices. b. Large Language Models, and Prompt Engineering

i. Application of AI algorithms over medical progress notes. ii. Vector space model and TF-IDF iii ChatGPT and RAG

iv. Bag of words and Tokenization

v. Word Embedding, Word2Vec and skip-grams approaches

vi. Decision Tree Classifier

vii. Feature Selection

viii. Naive Bayes Classifier

c. Programming Exercise with Python to send the electronic health record of a patient to ChatGPT API using a prompt request (prompt engineering) and get a possible therapeutic prediction based on the given vital signs.

10 SAMPLE Slides



(11:30 -   :  ) Ομάδες Εργασίες Γιατρών Συναφών Ειδικοτήτων για την αντιμετώπιση μιας μελέτης περίπτωσης ασθενούς.

Θα δίνονται ανά ομάδα εργασίας όλα τα ιατρικά δεδομένα ενός ασθενούς (lab tests, progress notes, medical interventions, prescriptions, CT scans, ECGs, EEGs, κτλ.) και με την χρήση τεχνικών ΑΙ θα ζητείται η αιτιολογημένη διάγνωση και η δημιουργία κατάλληλου θεραπευτικού πλάνου.

(Προαιρετική συμμετοχή)



(11:30 -   :  ) Ομάδες Εργασίες Γιατρών Συναφών Ειδικοτήτων για την αντιμετώπιση μιας μελέτης περίπτωσης ασθενούς.

Θα δίνονται ανά ομάδα εργασίας όλα τα ιατρικά δεδομένα ενός ασθενούς (lab tests, progress notes, medical interventions, prescriptions, CT scans, ECGs, EEGs, κτλ.) και με την χρήση τεχνικών ΑΙ θα ζητείται η αιτιολογημένη διάγνωση και η δημιουργία κατάλληλου θεραπευτικού πλάνου.

(Προαιρετική συμμετοχή)



(11:30 -   :  ) Ομάδες Εργασίες Γιατρών Συναφών Ειδικοτήτων για την αντιμετώπιση μιας μελέτης περίπτωσης ασθενούς.

Θα δίνονται ανά ομάδα εργασίας όλα τα ιατρικά δεδομένα ενός ασθενούς (lab tests, progress notes, medical interventions, prescriptions, CT scans, ECGs, EEGs, κτλ.) και με την χρήση τεχνικών ΑΙ θα ζητείται η αιτιολογημένη διάγνωση και η δημιουργία κατάλληλου θεραπευτικού πλάνου.

(Προαιρετική συμμετοχή)



(11:30 -   :  ) Ομάδες Εργασίες Γιατρών Συναφών Ειδικοτήτων για την αντιμετώπιση μιας μελέτης περίπτωσης ασθενούς.

Θα δίνονται ανά ομάδα εργασίας όλα τα ιατρικά δεδομένα ενός ασθενούς (lab tests, progress notes, medical interventions, prescriptions, CT scans, ECGs, EEGs, κτλ.) και με την χρήση τεχνικών ΑΙ θα ζητείται η αιτιολογημένη διάγνωση και η δημιουργία κατάλληλου θεραπευτικού πλάνου.

(Προαιρετική συμμετοχή)



(11:30 -   :  ) Ομάδες Εργασίες Γιατρών Συναφών Ειδικοτήτων για την αντιμετώπιση μιας μελέτης περίπτωσης ασθενούς.

Θα δίνονται ανά ομάδα εργασίας όλα τα ιατρικά δεδομένα ενός ασθενούς (lab tests, progress notes, medical interventions, prescriptions, CT scans, ECGs, EEGs, κτλ.) και με την χρήση τεχνικών ΑΙ θα ζητείται η αιτιολογημένη διάγνωση και η δημιουργία κατάλληλου θεραπευτικού πλάνου.

(Προαιρετική συμμετοχή)

Last Day Unique Visitors: 6

Last Week Unique Visitors: 41

Last Month Unique Visitors: 379