IoT + CBL + FLC pro výuku medicíny
Case-based learning (navíc v kontextu obrácené třídy) je velké téma i ve výuce medicíny. Je bez diskuze, že CBL je základní podmínkou úspěchu v lékařské praxi, což uzná i každý nemedik, který kdy sledoval alespoň jeden díl Dr. House. Tým výzkumníků z Korei, Austrálie, Belgie a Kanady již roky vyvíjí platformu ICBFLT, která umožňuje studentům pracovat s daty o pacientech (tedy s jednotlivými případy) v modelu obrácené třídy. S příchodem vlny zájmu o IoT a spolu s neustálým zlevňováním a zpřesňováním některých HW zařízení pro self-tracking a self-monitoring, které pod buzzword IoT můžeme také bez obtíží zařadit, se tatáž výzkumná skupina pokusila svou platformu rozšířit. Vznikl tak IoTFLiP, který studenty obohacuje o data reálných pacientů. Pacienti využívají wearable hardware připojený do sítě, data se odesílají do cloudu, odborník (vyučující) data připravuje a studenti mohou jednotlivé případy studovat a posuzovat při přípravě na hodinu.
Je jasné, že víc než kde jinde bude u IoT a cloudu, popřípadě fogu, právě zde záležet na bezpečnosti zdravotních dat pacientů. Výzkumníci proto v článku popisují hned několik bezpečnostních vrstev, které musí model jejich systému obsáhnout, a to jak na lokální decentralizované úrovni, tak především pak dále na úrovni centralizované, v cloudu. Případným vylepšením, které mě napadá jako první, může být možnost pracovat s daty jednotlivých případů/pacientů v reálném čase nebo v čase blízkém reálnému. Obohacení těchto dat o životní a situační kontext pacienta (GPS, fotografie ze zařízení typu Blincam, rychlost chůze, převýšení, stresové situace) by mohlo studentům umožnit vytvářet hypotézy o zdravotním stavu pacienta v rámci analýzy real-time temporálních dat. Taková praxe mi připadá nejen užitečná, ale i praktická: lze očekávat, že sledování pacientů skrze wearables v reálném čase bude v době, kdy současní studenti medicíny vstoupí do provozu, již zcela běžnou praxí i v našem regionu.
