Опыт руководства выпускными квалификационными работами на базе задач машинного обучения с интеграцией в «1С:Здравоохранение 72»

Я хочу рассказать о нашем опыте решения задач машинного обучения в отрасли здравоохранения и приобщения, участия в таких проектах студентов-практикантов. В рамках статьи мы рассмотрим две темы:

1. Вопрос цифровизации здравоохранения: текущая картина цифровизации и обзор применения задач машинного обучения в данной отрасли,

2. В рамках образования мы рассмотрим вопросы приобщения студентов к проектам внутри организации и необходимости участия действующих специалистов в образовательном процессе учебных заведений для развития всей индустрии.

 

Цитата Пирогова и философия предупредительной медицины

 

Начать статью хотелось бы с цитаты русского хирурга Пирогова Николая Ивановича: «Будущее принадлежит медицине предупредительной. Эта наука, идя рука об руку с государственною, принесет несомненную пользу человечеству». Эта фраза предопределяет необходимость внедрения искусственного интеллекта в эту отрасль. Автор подчеркивает, что медицина предупредительная. Во все времена эксперты области видели дальнейшее развитие отрасли в минимизации количества пациентов, то есть в прогнозировании возможных заболеваний, эпидемий и тому подобного.

 

Статистика здоровья населения и участие в диспансеризации

 

И чтобы убедиться в актуальности данной фразы, рассмотрим текущую картину здравоохранения и ее цифровизации. Начнем со статистики в целом, а именно с того, как ощущает себя население и какой процент граждан относится с пониманием к предупредительной медицине и проходит соответствующие мероприятия.

Росстат провел выборочное наблюдение состояния здоровья населения по различным вопросам. Статистика указана за 2024 год, и я выделил наиболее интересные из них, чтобы понять общую картину.

 

 

Первый вопрос – оценка корреспондентами состояния своего здоровья. Большинство оценивает свое здоровье как хорошее и удовлетворительное, где хорошее – практически 50%, а удовлетворительное – почти 35%. Оценить как «очень хорошее» смогли только 9% респондентов, «плохое» – 5,5%, «очень плохое» – 0,5%.

 

 

Следующий вопрос, напрямую связанный с предупредительной медициной, – прохождение диспансеризации. За последние два года 55% респондентов прошли диспансеризацию, при этом мужчин оказалось около 49%, а женщин – 60%.

 

 

Далее два вопроса, связанные с приверженностью здоровому образу жизни. К высокой приверженности относят себя около 7% мужчин и 12% женщин.

 

 

К удовлетворительной – отсутствие курения и несоблюдение одного из условий высокой приверженности – относят себя около 40% мужчин и 61% женщин.

 

Стратегия цифровой трансформации здравоохранения до 2030 года

 

Ознакомившись с такой статистикой, можно вернуться к вопросу цифровизации здравоохранения и взглянуть на то, какая стратегия направления сейчас обозначена.

 

 

Есть распоряжение правительства Российской Федерации от 17 апреля 2024 года, в котором было утверждено стратегическое направление в области цифровой трансформации здравоохранения. Данное направление утверждено до 2030 года, и я хотел бы выделить основные направления этого документа:

• Осуществление цифровой трансформации на основе отечественных технологий,

• Платформизация, то есть формирование единой отраслевой технической политики, развитие единых подходов, построение общих информационных моделей,

• Введение единых стандартов обмена информацией, унификация и регламентация взаимодействия между системами и субъектами.

• Обеспечение условий для достижения технологического суверенитета в сфере здравоохранения,

• Обеспечение устойчивого и бесперебойного функционирования инфраструктуры,

• Внедрение в медицинских организациях типовых защищенных АРМ с возможностью централизованного управления,

• Применение платформы «Гостех» всеми участниками домена здравоохранения,

• Соблюдение принципов клиентоцентричности.

 

Применение ИИ и больших данных в стратегических проектах

 

 

Далее в документе выделяются конкретные проекты стратегического направления.

• Искусственный интеллект будет применен для автоматизации бизнес-процессов, оптимизации ресурсов, обнаружения аномалий и предоставления аналитической информации для поддержки принятия решений.

• Технологии работы с большими данными обеспечат возможность использования предиктивного моделирования при разработке лекарственных препаратов и совершенствовании методов лечения пациентов.

• Технологии беспроводной связи будут использоваться для связи между различными устройствами и системами.

• Будут применяться отраслевые цифровые технологии в рамках домена «Здравоохранение» во всех необходимых объектах и процессах.

Показатели проектов стратегического направления в области цифровой трансформации здравоохранения обозначены следующие.

 

 

Количество созданных и размеченных наборов данных и количество медицинских изделий и программного обеспечения с применением технологий искусственного интеллекта. Определены количественные показатели того, сколько таких наборов данных и медицинских изделий должно быть реализовано в разрезе каждого года.

 

Основные тезисы цифровизации здравоохранения

 

Исходя из этого, можно выделить два основных тезиса проекта цифровизации здравоохранения и медицины.

Первое – человекоцентричность с фокусом на сбережении и укреплении здоровья населения. Человекоцентричность здравоохранения предполагает фокус на сохранении здоровья человека, на том, чтобы он не стал пациентом. Все усилия должны быть направлены на профилактику и сохранение здоровья.

И бесшовные цифровые процессы заботы о здоровье и оказания медицинской помощи. Это цифровые процессы, которые протекают как в самих медицинских учреждениях, так и вне их, например при дистанционном мониторинге состояния здоровья человека.

И важный момент в организации работы ИИ – большие данные. Любая отрасль, применяющая технологии интеллектуального анализа данных, зависит от количества этих данных. ИИ помогает превратить большие данные в новые возможности и практические идеи.

 

Направления применения ИИ в здравоохранении

 

 

Непосредственно в самой отрасли здравоохранения существует ряд направлений развития ИИ, и можно выделить наиболее популярные:

• Оптимизация управления ресурсами медицинских учреждений для повышения эффективности планирования мощностей, закупок расходных материалов, использования оборудования и кадровых ресурсов.

• Медицинский триаж для управления потоками пациентов на основе цифровых профилей и загруженности медицинских учреждений.

• Организация бесшовной телемедицинской практики для пациентов.

• Анализ больших данных для роста эффективности медицинской практики.

• Прогнозирование развития и распространения заболеваний, в том числе эпидемий.

• Прогнозирование потребностей в лекарственном обеспечении.

• Обеспечение безопасности и защиты пациента в виде формирования правовой базы применения моделей ИИ.

•  

Финансирование федерального проекта «Искусственный интеллект»

 

Бюджет федерального проекта «Искусственный интеллект» во всех отраслях экономики страны на 2025–2027 годы – примерно 25 миллиардов 882 миллиона рублей, где около 6 миллиардов запланировано на 25-й год, около 9 миллиардов – на 26-й и примерно 10 миллиардов – на 27-й. В рамках данного проекта внедряются ИИ-сервисы во все отрасли экономики, повышается кадровое обеспечение в ИИ-сфере, поддерживаются компании-разработчики, и переводятся все сферы гражданского общества на новые принципы работы.

 

Представление компании и реализуемых проектов

 

Поняв общую картину цифровизации здравоохранения, можно перейти к следующему тезису статьи и рассказать о том, как мы реализуем федеральные проекты, автоматизируем процессы медицинской деятельности и участвуем в образовательном процессе университета для подготовки новых специалистов.

 

 

Наш ресурсный центр был создан в 2016 году при сотрудничестве с фирмой «1С» для реализации федерального проекта по созданию единого цифрового контура здравоохранения в Тюменской области. Наш продукт называется 1С:Здравоохранение 72. Мы имеем сертификацию 1С:Совместимо. Мы занимаемся разработкой, внедрением, сопровождением программного обеспечения по автоматизации работы медицинских учреждений. Мы автоматизируем учет пациентов, лекарственных средств, кадровый учет, административно-хозяйственную деятельность и так далее.

 

Архитектура и масштаб системы 1С Здравоохранение 72

 

 

Немного про архитектуру нашей системы. 1С:Здравоохранение 72 – централизованная система, которая состоит из множества компонент с определенным набором функций. Обеспечивается взаимодействие с необходимыми государственными информационными системами, например с порталом «Госуслуги» для записи на прием, вызова врача на дом и других медицинских услуг, с внутренними региональными сервисами, такими как «Телемед 72,» для телемедицинских консультаций, и с другими централизованными системами региона.

Немного статистики:

• У нас подключено 71 медицинское учреждение – это поликлиники, стационары, спец. МО по Тюменской области.

• Более 2 миллионов пациентов зарегистрировано в системе.

• Ежегодно регистрируется более 28 миллионов записей на прием.

• Реализовано 27 интеграций с региональными и 21 интеграция с федеральными системами.

• Ежегодно более 28 миллионов документов регистрируется в реестре электронных медицинских документов.

• Примерное количество пользователей – 22 тысячи.

 

 

Мы автоматизируем процессы медицинской деятельности. Например, взаимодействие с федеральной электронной регистратурой, формирование структурированных электронных медицинских документов, ведение различных регистров по пациентам и полностью электронная медицинская карта пациента, ведение льготно-лекарственного обеспечения и так далее.

 

Сотрудничество с Тюменским государственным университетом

 

Взаимодействие нашей компании и Тюменского государственного университета будет рассмотрено на примере программы разработки информационных систем бизнеса, направления «Прикладная информатика». В университете действует базовая кафедра автоматизации бизнес-процессов на платформе 1С. Кафедра открыта с 2016 года, и мы ведем преподавательскую деятельность с момента ее открытия.

 

 

В течение этого периода наш преподавательский опыт помог сформулировать определенные выводы по процессу обучения, а именно как правильно сформировать специалиста, готового к реальным проектам. Мы как компания заинтересованы в том, чтобы готовить таких специалистов, которые, получив диплом, уже обладают компетенциями уровня Junior Plus.

Этому способствуют некоторые особенности организации нашего учебного процесса:

При обучении разработке на платформе 1С все задания выполняются сразу в клиент-серверном варианте работы платформы. Используется Postgres для понимания взаимодействия платформы и СУБД с помощью встроенных инструментов.

Используем хранилище разработки, изучаем стандарты и методики разработки 1С. Поскольку специфика направления связана с автоматизацией бизнес-процессов, уделяем внимание аналитическим задачам.

Основной вектор обучения построен на работе с информационными системами. Это обусловлено профессиональными стандартами 06.015 и 06.022. Мы строим образовательный процесс с их учетом, и студенты бакалавриата в рамках третьего и четвертого курса проходят практику на предприятиях.

Профессиональные компетенции:

• ПК-1 Концептуальное, функциональное и логическое проектирование систем среднего и крупного масштаба и сложности

• ПК-2 Разработка и сопровождение требований и технических заданий на разработку и модернизацию систем и подсистем малого и среднего масштаба и сложности

• ПК-3 Выполнение работ по созданию (модификации) и сопровождению ИС, автоматизирующих задачи организационного управления и бизнес-процессы

• ПК-4 Выполнение работ и управление работами по созданию (модификации) и сопровождению ИС, автоматизирующих задачи организационного управления и бизнес-процессы.

 

Этапы производственной практики и кураторская поддержка

 

 

В рамках производственной практики студенты знакомятся с внутренними процессами на предприятии и выполняют одну из производственных задач, адаптированных под студенческий формат. За каждым студентом закрепляется куратор – работающий специалист, который сопровождает в течение всего периода, ставит задачу, консультирует, проводит мастер-классы. Первое знакомство со студентом дает возможность выявить его сильные и слабые стороны, которые мы учитываем при прохождении следующих практик.

 

 

Следующий этап – проектно-технологическая практика. В ней студенты начинают работу над выпускной квалификационной работой. Также назначается куратор. Куратор подготавливает тему ВКР для студента с учетом всех трудовых функций, описанных в образовательном стандарте. В результате работы студент должен продемонстрировать владение этими функциями. Это первый этап написания ВКР, где формируется тема, анализируются требования, моделируются бизнес-процессы и пишется техническое задание.

 

Преддипломная практика и научно-исследовательская деятельность

 

Последний этап – преддипломная практика. В рамках этой практики студенты продолжают работу над ВКР и приступают к проектированию и разработке на основе того технического задания, которое было сформировано на предыдущем этапе.

 

 

При формировании темы уделяем внимание стандартам и методическим рекомендациям Министерства здравоохранения Российской Федерации и Министерства цифрового развития, связи и массовых коммуникаций Российской Федерации, поскольку деятельность нашего предприятия напрямую связана с выполнением государственных контрактов в области автоматизации медицинской деятельности.

Студенты в процессе написания ВКР могут углубиться в научно-исследовательскую деятельность. На начальных этапах практики у студента формируются профессиональные интересы, которые можно раскрыть и в научной области. Например, мы уделяем внимание проектам с применением машинного обучения.

 

 

Студенты совместно с кураторами пишут научные статьи, принимают участие в профильных конференциях, участвуют в конкурсе ВКР от фирмы 1С, выигрывают по федеральным округам и занимают призовые места на заключительных этапах.

Наша небольшая статистика по студентам:

• 300+ обученных студентов,

• 100+ ВКР на базе предприятия,

• 20+ трудоустроенных выпускников.

 

Трудоустройство студентов и программа развития джуниоров

 

Наша небольшая статистика по студентам.

 

 

Если в процессе прохождения практики мы видим, что студент амбициозен, смышлен и имеет желание дальше развиваться в такой сфере, приглашаем трудоустроиться к себе. Позиция может быть любой.

 

 

Студенты, которые трудоустраиваются к нам, проходят программу развития джуниоров. Для каждого студента составляется индивидуальный трек развития, оцениваем компетенции. Компетенции делим на софт- и хардскиллы, детализируем их по необходимым категориям и отдельно выделяем специфичные предметные знания по здравоохранению.

 

 

Помимо университета принимаем участие в программах региона по обучению населения IT-специальностям.

 

Первый проект: подсистема триажа пациентов на плановую операцию сердца

 

Теперь непосредственно про опыт решения задач машинного обучения в здравоохранении. Рассмотрим работы, в которых решались данные задачи, разберем их актуальность, проблематику и результаты.

Первый проект – подсистема триажа пациентов на плановую операцию сердца.

Главная идея работы заключалась в создании собственного инструмента, решающего задачи организации триажа пациентов на операции. Триаж – медицинский термин, который подразумевает распределение пострадавших и больных на группы, исходя из срочности и тяжести состояния пациентов в конкретной обстановке.

В качестве цели было запланировано повысить эффективность взаимодействия медицинского персонала с пациентами в медицинской информационной системе.

Под эффективностью понимаем количественные показатели, то есть ориентируемся на затрачиваемое время на регистрацию пациента для проведения оперативных вмешательств, повышаем пропускную способность отделения и сокращаем число промежуточных бюрократических этапов от первичного приема до проведения операции.

 

Актуальность и требования к подсистеме триажа

 

 

Актуальность разработки подсистемы обусловлена рядом проблем:

• Система с 2015 года накопила большой объем данных, их нужно изучать.

• Врачи высказали мнение о необходимости внедрения такого функционала.

• Заведующие отделениями не могли увидеть сводную статистику по коечному фонду и спланировать работу своих подопечных.

• Врачи из других медицинских учреждений не осведомлены о текущей ситуации с очередью пациентов на операцию.

 

 

Перед разработкой был проведен опрос медицинского персонала, были выявлены необходимые требования.

 

 

Подсистема триажа пациентов на плановой операции – подсистема, предназначенная для организации электронной очереди на операции и прогнозирования состояния коечного фонда по отделениям с применением методов интеллектуального анализа данных.

Обработка и хранение полученных данных из моделей машинного обучения производится внутри медицинской информационной системы, а сами модели находятся вне контура МИС.

 

Первая модель: прогнозирование периода пребывания в стационаре

 

Перейдем к разбору первой модели для прогнозирования периода пребывания пациента в стационаре.

 

 

Поскольку основной задачей данной модели является прогнозирование периода пребывания пациента в стационаре, был собран ряд данных, связанных с его госпитализацией. Сбор данных осуществлялся в разрезе случаев. Обезличенные данные выгрузились по кардиохирургическому отделению за период с 1 января 2018 года. Были выгружены параметры: пол, дата рождения, даты госпитализации и выписки, а также набор диагнозов в рамках случая.

 

 

Данные были подготовлены для обучения модели. Часть параметров была преобразована, например из даты рождения получен возраст в годах. Также были преобразованы параметры в категориальные признаки. Время, проведенное в стационаре, было получено путем разности даты выписки и даты госпитализации и разбито на три класса: до 5 дней, от 5 до 14, и от 14 дней.

Диагнозы были преобразованы с помощью Dummy-кодирования, предварительно сокращены до родительских диагнозов. Например, по международной классификации болезней есть дочерние диагнозы G45.0 – астма с преобладанием аллергического компонента – и G45.1 – неаллергическая астма, но они относятся к родительскому диагнозу G45 – астма, и для обучения модели учитывается именно этот родительский диагноз, а количество дочерних суммируется.

 

 

В обработанных данных большую часть составляли пациенты-мужчины, наиболее популярный возраст – 50–70 лет. Чаще всего встречаются диагнозы, связанные с болезнями сердечного кровообращения, и в топ попал диагноз К29 – гастрит. Распределение по периоду госпитализации примерно одинаковое.

 

 

В качестве алгоритма использовался градиентный бустинг. Также тестировали дерево решений и случайный лес, но они не дали необходимых результатов. Точность модели на тестовой и учебной выборке получилась около 85%. На изображении видно оценку модели.

 

Вторая модель: прогнозирование вероятности выздоровления

 

Переходим ко второй модели для прогнозирования вероятности выздоровления.

 

 

Прогнозирование вероятности выздоровления пациента должно иметь высокую точность, поскольку от этого может зависеть план лечения пациента. В рамках данной работы проводился эксперимент построения модели прогнозирования на основе показателей здоровья пациента по общему анализу крови.

Была проведена выгрузка за период с 01.01.2018 года по всем пациентам, у которых есть медицинский документ протокол эхокардиографии, присутствуют показатели по общему анализу крови и есть показания диастолического и систолического давления перед выпиской.

 

 

Подготовка параметров осуществлялась таким же образом, как и в первой модели. Задача – бинарная классификация пациентов по признаку выздоровления: либо «да», либо «нет». Критерием выздоровления в данном исследовании является параметр «фракция выброса левого желудочка». Если он больше 55%, считаем, что пациент выздоровел.

Диагнозы кодировались аналогично, с помощью Dummy-кодирования. Добавились показатели здоровья, хранившиеся в едином формате, поэтому они передавались без кодирования.

 

 

В обработанных данных статистика схожа: пациенты 50–70 лет, диагнозы те же. Большинство пациентов поступают планово, находятся в удовлетворительном состоянии и способны передвигаться. Большинство пациентов выздоровело.

 

 

Алгоритм тот же – градиентный бустинг. Точность – 90%, AUC – 0.9.

Реализация веб-сервиса и интеграция с МИС

 

 

Далее был создан веб-сервис для взаимодействия с МИС. Модели реализованы в среде Python. Градиентный бустинг выполнен с помощью библиотеки XGBoost. Модели экспортировались в файлы с помощью библиотеки Pickle. Для реализации API-интерфейса использовался фреймворк FastAPI. Модели были размещены на виртуальном сервере с использованием WSGI-сервера Uvicorn.

 

 

Теперь перейдем к части разработки на стороне МИС. На стороне 1С был разработан модуль прогнозирования нагрузки коечного фонда. Суть проста: выбирается отделение и дата прогноза, затем выгружается текущий список пациентов, по ним собираются данные, прогнозируется их период пребывания, и на основании прогноза формируется список пациентов на указанную дату.

 

 

На примере это выглядит так: слева список пациентов на сегодняшнюю дату, справа – на дату прогноза. По каждому пациенту выводится прогнозируемый период. Оранжевым подсвечен пациент, у которого два дня до конца прогноза, зеленым – один или ноль дней. Было высказано требование ввести процентный резерв от общего количества коек, эта функция реализована в виде настройки.

 

Модуль формирования электронной очереди на операции

 

 

Во втором модуле учитываются результаты прогнозирования двух моделей. Стояла задача сделать инструмент для организации очередей универсальным и доступным для работы даже без модели машинного обучения. При добавлении пациента в очередь по нему собираются данные, затем эти данные передаются в модели, которые возвращают результат в виде вероятности выздоровления пациента и периода его пребывания в стационаре. Вычисляется условный рейтинг пациента и назначается номер в очереди. Врач может скорректировать итоговый результат и добавить пациента в очередь вручную, тогда он не будет участвовать в рейтинге.

 

 

Здесь отражены изображения реализованного модуля. Очередь по одной операции может делиться на два типа: плановая и экстренная. Полученные списки можно формировать в виде любой удобной формы.

 

Архитектурное решение для централизации подсистемы

 

 

При старте разработки стоял вопрос о способе централизации подсистемы. МИС – централизованная архитектура баз, реализованная с помощью брокера сообщений RabbitMQ. При изменении какого-либо объекта в периферии его новая версия отправляется в центральную базу и наоборот. На передачу пакетов требуется время, обработка пакетов происходит по очереди.

На схеме указаны причины, по которым мы решили реализовать HTTP-сервис, который работает по методу GET и возвращает необходимые данные.

 

Экспертная оценка результатов прогнозирования

 

Была проведена обязательная проверка прогнозов, полученных с помощью моделей. Проверка осуществлялась в формате экспертной оценки со стороны медицинского персонала. Для этого по каждой модели была отобрана выборка записей с полученным прогнозом по каждому случаю. Количество выгруженных записей – 30. Результаты вы видите изображении.

 

Второй проект: подсистема поддержки перевода пациентов в реанимацию

 

Следующий проект – это подсистема поддержки принятия решения о переводе пациентов кардиологии в отделение интенсивной терапии.

 

 

К МИС подключено 71 медицинское учреждение, в список таких учреждений входят медицинские стационары, характерной особенностью которых является круглосуточное пребывание пациентов на территории учреждения. Ответственность за состояние здоровья пациентов на период пребывания несет медицинский персонал стационара.

 

 

В обязанности медицинского персонала входит мониторинг состояния здоровья пациентов и назначение соответствующего лечения. При обнаружении критического или быстро ухудшающего состояния врач должен перевести пациента в реанимацию для стабилизации состояния здоровья. Своевременность обнаружения таких критических состояний и принятие решения о переводе пациента в реанимацию отражает качество оказываемой медицинской помощи.

 

Выявленные проблемы и цель проекта

 

 

Изначально были выявлены следующие проблемы. Это большое количество факторов, которые учитывает врач при анализе состояния здоровья пациента и принятии решения о переводе, что может приводить к неточной оценке и откладывать перевод пациента в реанимацию. И временные задержки, связанные со сбором данных для принятия решений.

 

 

Здесь показана стандартная университетская цель, где нужен количественно измеримый показатель, и в данном случае это сокращение времени на выявление необходимости перевода пациента в реанимацию.

 

Обучающая выборка и предобработка данных

 

Поговорим про модель. Была сформирована обучающая выборка. В состав выгруженных данных вошли данные госпитализации и показатели здоровья пациентов кардиологического отделения.

 

 

Данные были предобработаны: обработаны пропуски, отфильтрованы диагнозы, обработаны категориальные значения.

 

 

Были предобработаны данные показателей здоровья: обработаны пропуски, приведены строковые представления значений, приведены единицы измерения и объединены некоторые показатели здоровья.

 

 

После объединения была сформирована обучающая выборка, которая все еще содержала пропуски в показателях здоровья.

Здесь также алгоритмом был градиентный бустинг на основе деревьев решений. После обучения и подбора гиперпараметров наиболее точной оказалась модель с заполнением пропусков показателей здоровья медианным значением на основе возраста пациента и диагноза госпитализации.

 

 

Для использования функционала модели был разработан веб-сервис и реализован API-интерфейс с двумя методами: для получения признаков, используемых в модели, и получения результата прогнозирования.

 

Сценарий взаимодействия и результат работы

 

 

Был сформулирован следующий сценарий взаимодействия веб-сервиса и РМИС. После госпитализации или обновления показателей здоровья пациента производится оценка риска перевода пациента. В случае выявления риска система уведомляет врача об обнаружении такого пациента и предоставляет ему отчетность для поддержки принятия решения о переводе.

 

 

На изображении представлен пример того, как это выглядит в системе: врачу приходит уведомление о том, что есть такой пациент, врач обращается к отчету, анализирует состояние и принимает собственное решение о необходимости перевода в реанимацию.

 

 

Результатом работы стал веб-сервис классификации пациентов по предрасположенности к переводу в реанимацию. Сокращение времени на выявление необходимости перевода достигается за счет уведомлений медицинского персонала о пациентах с риском и автоматизации сбора данных для принятия решений.

В результате обработки данных на момент госпитализации система смогла спрогнозировать 72,5% случаев перевода, среди которых были пациенты, переведенные через длительный промежуток времени, и пациенты с неблагоприятным исходом лечения.

 

Заключение: роль IT-компаний в образовательном процессе

 

В заключение хотелось бы подытожить, что участие IT-компаний в образовательной деятельности университетов, школ и колледжей – важный элемент развития всей индустрии. Действующие специалисты могут дать студентам тот ценный опыт, который поможет в их карьерных начинаниях. Написание таких выпускных квалификационных работ на базе реальных прикладных задач помогает студентам попробовать себя в настоящем трудовом процессе перед началом своей карьеры. Внедрение в образовательный процесс таких практик, проводимых совместно с предприятиями, повышает эффективность получаемых компетенций по тем образовательным стандартам, которые предъявляются университетам.

 

*************

Статья написана по итогам доклада (видео), прочитанного на конференции INFOSTART TEAMLEAD&CIO EVENT.