1ο Χειμερινό Σχολείο
ChatGPT & Εφαρμογές AI για Ιατρούς

Ο χιονισμένος Όλυμπος ανάμεσα σε κλαδιά μαύρης πεύκης

Πανεπιστήμιο Αιγαίου · Χειμερινό Σχολείο στον Όλυμπο

1ο Χειμερινό Σχολείο “ChatGPT & Εφαρμογές AI για Ιατρούς” (AIMedWINTER 2027)

Σάββατο 13 – Κυριακή 14 Φεβρουαρίου 2027 · Λιτόχωρο Πιερίας, στους πρόποδες του Ολύμπου

Χώρος
Αίθουσα Ναυτικού Μουσείου Δήμου Δίου-Ολύμπου, Λιτόχωρο
Ωράριο
09:00–14:00 και τις δύο ημέρες
Συμμετοχή
Μεικτή: δια ζώσης ή εξ αποστάσεως
Δίδακτρα
300 € δια ζώσης · 200 € εξ αποστάσεως
Σε ποιους απευθύνεται
Φοιτητές και πτυχιούχους Ιατρικής & Οδοντιατρικής
Πιστοποίηση
Πιστοποιητικό παρακολούθησης · 0,5 ECTS
**ΣΥΝΤΟΜΑ ΘΑ ΕΙΝΑΙ ΔΙΑΘΕΣΙΜΗ** Εγγραφή στο 1ο Χειμερινό Σχολείο του Πανεπιστημίου Αιγαίου

Τι θα μάθετε σε δύο ημέρες

10 διδακτικές ενότητες, πρακτική εξάσκηση με πραγματικά σενάρια

Ηλεκτρονικός Φάκελος Υγείας Ασθενών από το ehealth.gov.gr (ηλεκτρονική συνταγογράφηση, ιατρικές παρεμβάσεις, εργαστηριακές εξετάσεις κτλ.).

Πλήρης Παραμετροποίηση του ChatGPT 6 και κατάλληλα prompts για Advanced Clinical Reasoning Tasks.

Πολυτροπικά ιατρικά δεδομένα: ερμηνεία σύνθετων ιατρικών σημάτων (ECGs, EEGs κτλ.) και αυτόματη σύνοψη ιατρικού φακέλου.

Αλληλεπιδράσεις φαρμάκων με ChatGPT και βιοϊατρικές βάσεις δεδομένων (PubMed, DrugBank, Γαληνός κτλ.).

Med Gemini, Claude και δεκάδες AI apps για Ιατρούς (Perplexity, MedGemma, NotebookLM κτλ.).

Agentic AI στην Ιατρική: ο AI Agent του ChatGPT Atlas και Ευφυείς Πράκτορες για αυτόνομες εργασίες.

Ηθική & GDPR: AI Act, προστασία ευαίσθητων δεδομένων ασθενών και τεχνικές ανωνυμοποίησης.

Συνέντευξη Καθηγητή και Επιμορφούμενης Ιατρού

Διδάσκοντες

Παναγιώτης Συμεωνίδης, Αναπληρωτής Καθηγητής, Πανεπιστήμιο Αιγαίου, Επιστημονικός Υπεύθυνος
Βιογραφικό

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 personalized health, AI and Medical Data Management. 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.

Χρήστος Άνδρας, ΕΔΙΠ, Διεθνές Πανεπιστήμιο της Ελλάδος
Βιογραφικό

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 databases and information systems. He has developed 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.

Ο χώρος: Ναυτικό Μουσείο Λιτοχώρου, στους πρόποδες του Ολύμπου

Τα μαθήματα γίνονται στην αίθουσα του Ναυτικού Μουσείου του Δήμου Δίου-Ολύμπου, στο κέντρο του Λιτοχώρου. Η αίθουσα διαθέτει προβολικό, οθόνη και μικρόφωνο σε κάθε θέση. Στα διαλείμματα προσφέρονται καφές, κουλουράκια και νερό.

Αναλυτικό Πρόγραμμα — 10 Διδακτικές Ενότητες (2 ημέρες × 5 ώρες)

Κάθε ημέρα διαρκεί 09:00–14:00, με πέντε διδακτικές ώρες των 50 λεπτών, ένα διάλειμμα καφέ και ένα σύντομο διάλειμμα.

Σάββατο 13 Φεβρουαρίου 2027

Διαχείριση Ηλεκτρονικού Φακέλου Υγείας Ασθενούς και Ιατρικών Δεδομένων

ΏραΔιδ. ΕνότηταΑναλυτικό ΠεριεχόμενοΥλικό
09:00–09:50 (Διδ. Ενότητα 1) Διαχείριση Hλεκτρονικού Φακέλου Υγείας Ασθενούς

a. Electronic Health Records Management από το https://ehealth.gov.gr/

i. Διαγνώσεις
ii. Ιατρικές παρεμβάσεις
iii. Συνταγές
iv. Φάρμακα
v. Παρενέργειες φαρμάκων
vi. Εργαστηριακές/Μικροβιολογικές εξετάσεις
vii. Σημειώσεις προόδου υγείας ασθενούς
viii. Δημογραφικά στοιχεία ασθενών

b. Health data types (vital signs, bio-indexes και bio-markers (PSA, ECG κτλ.), ECGs, CT scans, MRIs και άλλα σύνθετα ιατρικά σήματα)

c. Μελέτη Περίπτωσης δεδομένων ενός Νοσοκομείου της Βοστώνης (MIMIC III 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 Ανάλυση και Οπτικοποίηση Δεδομένων Νοσοκομείου
v. How to Filter Patients based on Diagnosis Code List (ICD-10 and ICD-9)

15 SAMPLE Slides
09:50–10:40 (Διδ. Ενότητα 2) Διαχείριση Εικόνων και άλλων Σύνθετων Ιατρικών Σημάτων με το ChatGPT

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

  • Ηλεκτροκαρδιογράφημα (ECGs)
  • Άλλα σύνθετα ιατρικά σήματα (EEG, Ultra Sound, Ακουόγραμμα κτλ.)
  • Βέλτιστα prompts για την κλινική υποστήριξη σύνθετων ιατρικών σημάτων
Υλικό επί τόπου
10:40–11:10 · Διάλειμμα καφέ (καφές, κουλουράκια, νερό)
11:10–12:00 (Διδ. Ενότητα 3) Ζητήματα Ηθικής της Εφαρμογής ΑΙ στην Ιατρική και Προστασία Ευαίσθητων Ιατρικών Δεδομένων

α) Τεχνητή Νοημοσύνη και Ηθικά Ζητήματα στην Ιατρική
i. Ευρωπαϊκή Νομοθεσία: AI Act 2024/1689, Medical Device Regulation (MDR) 2017/745
ii. Βασικές αρχές της βιοϊατρικής ηθικής
iii. Διαφάνεια, Δικαιοσύνη και Αμεροληψία ΑΙ
iv. Συναίνεση Ασθενούς στη Λήψη Κλινικών Αποφάσεων

β) Προστασία Ευαίσθητων Προσωπικών Δεδομένων Ασθενών
i. Ευρωπαϊκή Νομοθεσία: General Data Protection Regulation (GDPR 2016/679)
ii. Anonymization Techniques
iii. Date shifting
iv. Generalization of medical data interactions
v. K-Anonymity
vi. Προσθήκη θορύβου (Adding Noise)
vii. Απώλεια Πληροφορίας (Loss of Information)
viii. Differential Privacy

13 SAMPLE Slides
12:00–12:50 (Διδ. Ενότητα 4) 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
iii. Ιστορικό της παρούσας ασθένειας και προηγούμενο ιατρικό ιστορικό
iv. Φάρμακα που λαμβάνει ο ασθενής και Αλλεργίες
v. Κοινωνικό και Οικογενειακό ιστορικό
vi. Φυσική Κλινική εξέταση, Εργαστηριακά αποτελέσματα
vii. 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 επίσκεψή 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 τη βέλτιστη δόση ινσουλίνης για ασθενή με διαβήτη με τη χρήση ενός αλγορίθμου Deep Reinforcement Learning.

13 SAMPLE Slides
12:50–13:10 · Διάλειμμα
13:10–14:00 (Διδ. Ενότητα 5) ChatGPT για τον εντοπισμό ανεπιθύμητων παρενεργειών φαρμάκων

Χρήση του ChatGPT για τον εντοπισμό ανεπιθύμητων αλληλεπιδράσεων φαρμάκων βάσει νέων ευρημάτων στο διαδίκτυο (π.χ. DrugBank, PubMed, Γαληνός)

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. Παράδειγμα 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. Επίδειξη του λογισμικού https://storm.genie.stanford.edu/ για την αυτόματη παραγωγή άρθρου ανασκόπησης βάσει δημοσιεύσεων του PubMed.

14 SAMPLE Slides

Κυριακή 14 Φεβρουαρίου 2027

Αλγόριθμοι AI για την Αξιολόγηση Ιατρικών Δεδομένων, Υποστήριξη Κλινικών Αποφάσεων και LLMs

ΏραΔιδ. ΕνότηταΑναλυτικό ΠεριεχόμενοΥλικό
09:00–09:50 (Διδ. Ενότητα 6) Αλγόριθμοι AI για την Αξιολόγηση Ιατρικών Δεδομένων και την Υποστήριξη Κλινικών Αποφάσεων

a. Καινοτόμοι Αλγόριθμοι ΑΙ στη Βιοϊατρική (π.χ. AlphaFold)
b. Γραμμική παλινδρόμηση και Λογιστική παλινδρόμηση
c. Αλγόριθμος Decision Tree και Αλγόριθμος Random Forest
d. Αλγόριθμοι ΑΙ για Drug Re-purposing (χρήση υπαρχόντων φαρμάκων για νέες ασθένειες, π.χ. παλιά φάρμακα εναντίον COVID)
e. Βαθιά Ενισχυτική Μάθηση βάσει αλγορίθμων της DeepMind της Google
f. Βαθιά Νευρωνικά Δίκτυα (MLPs, CNNs, RNNs, GCNs κτλ.)
g. Αλγόριθμοι ΑΙ και ChatGPT για την παραγωγή Βιοδεικτών (bioindexes generator)
h. Εφαρμογή Αλγορίθμων AI για συνδυαστική αξιολόγηση κλινικών ευρημάτων και γενετικών χαρακτηριστικών (DNA) του ασθενούς.

20 SAMPLE Slides
09:50–10:40 (Διδ. Ενότητα 7) Σύνθετη κλινική εξαγωγή συμπερασμάτων με τη χρήση του Med Gemini της Google

Παράδειγμα Clinical Case study για το 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?"

Η εργασία απαιτεί από το μοντέλο να συνδυάσει τα συμπτώματα, το ιατρικό ιστορικό, τα ευρήματα της κλινικής εξέτασης και τα εργαστηριακά αποτελέσματα, ώστε να προτείνει μια πιθανή διάγνωση (π.χ. καρδιακή ανεπάρκεια) και τα κατάλληλα επόμενα βήματα διερεύνησης (π.χ. υπερηχοκαρδιογράφημα, ακτινογραφία θώρακος).

a. Επίδειξη παραδειγμάτων σύνθετων εργασιών κλινικής συλλογιστικής με το Med Gemini της Google.
b. ΑΙ λογισμικό που προβλέπει συνδυασμούς φαρμάκων για ασθενείς και εξηγεί τις προβλέψεις με δεδομένα γράφων (patient nodes, treatment node, drug node).

12 SAMPLE Slides
10:40–11:10 · Διάλειμμα καφέ (καφές, κουλουράκια, νερό)
11:10–12:00 (Διδ. Ενότητα 8) Κατάλληλα ChatGPT Prompts για Ιατρούς

a. Τι είναι τα ChatGPT prompts και ποια η σημασία τους;
b. Βέλτιστες πρακτικές για τη 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 το ChatGPT:
«Σου έκανα upload δύο αρχεία... Βάσει αυτού του αρχείου παρήγαγε μια νέα αναλυτική θεραπευτική αγωγή για ένα νέο ασθενή μου ... στο δεύτερο υποβληθέν αρχείο Excel.»

e. Μελέτη διαφορετικών κλινικών περιπτώσεων μαζί με τη δημιουργία κατάλληλων ChatGPT prompts
f. Clustering Algorithms
g. Λογισμικό για την ομαδοποίηση ασθενών σε ομάδες με ή χωρίς διαβήτη

15 SAMPLE Slides
12:00–12:50 (Διδ. Ενότητα 9) Εφαρμογές Τεχνητής Νοημοσύνης για Ιατρούς και Διαδίκτυο των Ιατρικών Συσκευών (IoMT)

a. Ιατρική ακριβείας και Εξατομικευμένη Ιατρική
b. Τηλεϊατρική και εφαρμογές τηλεϊατρικής
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 κτλ.)

e. Ψηφιοποιημένη καταγραφή καθημερινών ζωτικών ενδείξεων (κορεσμός οξυγόνου, αρτηριακή πίεση, θερμοκρασία σώματος, καρδιακός και αναπνευστικός ρυθμός, ECG, Continuous Glucose Monitoring κτλ.) για παρακολούθηση και έγκαιρη ειδοποίηση των γιατρών σε πραγματικό χρόνο.
f. Wearables (έξυπνα ρολόγια, δαχτυλίδια κτλ.): Galaxy Ring της Samsung, Medtronic glucose sensor for Continuous Glucose Monitoring (CGM)
g. Μετρικές Αποτίμησης Μοντέλων Πρόβλεψης: Confusion Matrix, Precision, Recall, ROC curves, MAE και RMSE για Optimal Drug Dose Prediction
h. Demo λογισμικού AI που στέλνει τον ηλεκτρονικό φάκελο υγείας ενός ασθενούς στο ChatGPT API και λαμβάνει μια πιθανή θεραπευτική πρόβλεψη βάσει των ζωτικών ενδείξεων.

15 SAMPLE Slides
15 SAMPLE Slides
12:50–13:10 · Διάλειμμα
13:10–14:00 (Διδ. Ενότητα 10) ChatGPT Atlas, Agentic AI και Large Language Models (Transformers)

a) Παραμετροποίηση του ΑΙ Agent του ChatGPT Atlas ώστε να ενεργεί αυτόνομα στο διαδίκτυο
i. Αυτόματη συμπλήρωση (από τον Ευφυή Πράκτορα) φορμών, όπως αυτές της ηλεκτρονικής συνταγογράφησης
ii. Λειτουργία του Agent του Atlas σε logged in και logged out modes
iii. Agentic AI στην Ιατρική – Ευφυείς Πράκτορες στην Ιατρική

b) Transformers
i. Attention and Self-Attention
ii. Large Language Models and ChatGPT
iii. Multi-modal Transformers and Google's Med Gemini
iv. ChatGPT and Retrieval Augmented Generation (RAG)
v. Explainability in Health

Παράδειγμα ChatGPT pre-prompt: «Σου έκανα upload ένα αρχείο Word… Βάσει αυτού του template αρχείου, να παράγεις μια νέα αναλυτική θεραπευτική αγωγή για τον υπό εξέταση ασθενή μου…»

Υλικό επί τόπου

Αξιολόγηση και πιστοποίηση

Οι συμμετέχοντες παραδίδουν μια συνθετική εργασία: την αξιολόγηση ενός διευρυμένου ιατρικού φακέλου ασθενούς με πολυπληθή και πολυμορφικά δεδομένα (progress textual notes, CSV files, Word files, PDFs, ECGs κτλ.) με τη χρήση τεχνικών AI και του ChatGPT.

Με την επιτυχή ολοκλήρωση χορηγείται πιστοποιητικό παρακολούθησης με 0,5 ECTS (10 ώρες παρακολούθησης και 2,5 ώρες εργασίας).