Η ΙΑΤΡΙΚΗ ΒΙΒΛΙΟΘΗΚΟΝΟΜΙΑ ΚΑΙ ΤΟ ΜΕΛΛΟΝ ΤΗΣ : Πώς εξελίσσεται το επάγγελμα του Ιατρικού Βιβλιοθηκονόμου, μέσα σε έναν κόσμο που κυριαρχείται ολοένα και περισσότερο από την Τεχνητή Νοημοσύνη (AI); Της Δρ. Ελένης Σεμερτζίδου, Ιατρικής Βιβλιοθηκονόμου

Τι είναι η Ιατρική Βιβλιοθηκονομία (Medical Librarianship);

Η Ιατρική Βιβλιοθηκονομία είναι ο κλάδος της βιβλιοθηκονομίας που ασχολείται με:

- τη συλλογή,

- την οργάνωση,

- τη διαχείριση,

- και τη διάδοση

πληροφοριών που σχετίζονται με την ιατρική, την υγεία, τη βιολογία, τη βιοϊατρική έρευνα, τη νοσηλευτική και όλους τους σχετικούς επιστημονικούς κλάδους.

Πού εργάζονται οι ιατρικοί βιβλιοθηκονόμοι;

- Νοσοκομεία

- Ιατρικές σχολές

- Πανεπιστημιακές και ερευνητικές βιβλιοθήκες

- Οργανισμούς υγείας (ECDC, WHO, ΕΟΔΥ κ.λπ.)

- Φαρμακευτικές εταιρείες

- Βιοϊατρικά ερευνητικά κέντρα

Τι κάνουν πρακτικά;

- Βοηθούν γιατρούς, ερευνητές, φοιτητές και νοσηλευτές να βρουν έγκυρες και πρόσφατες πληροφορίες.

- Κάνουν σύνθετες αναζητήσεις σε βάσεις δεδομένων (π.χ. PubMed, Scopus, Cochrane).

- Εκπαιδεύουν προσωπικό σε θέματα πληροφοριακής παιδείας και τεκμηρίωσης.

- Υποστηρίζουν συστηματικές ανασκοπήσεις, meta-analyses και κλινικές μελέτες.

- Διαχειρίζονται ψηφιακά αποθετήρια και συστήματα γνώσης σε νοσοκομεία.

Το μέλλον της Ιατρικής Βιβλιοθηκονομίας στον κόσμο της Τεχνητής Νοημοσύνης

Η AI δεν αντικαθιστά τον ιατρικό βιβλιοθηκονόμο — τον αναβαθμίζει.

Το επάγγελμα εξελίσσεται σε πιο αναλυτικό, τεχνολογικό και στρατηγικό.

1. Ο ρόλος μετατρέπεται σε “Information Specialist” / “Clinical Knowledge Engineer”

Η AI μπορεί να κάνει γρήγορες αναζητήσεις, αλλά ο άνθρωπος χρειάζεται για:

- έλεγχο ποιότητας της πληροφορίας

- αξιολόγηση της εγκυρότητας των πηγών

- κατανόηση κλινικού πλαισίου

- διαχείριση bias στις μελέτες

- εκπαίδευση των χρηστών στη σωστή χρήση εργαλείων AI

Ο βιβλιοθηκονόμος θα εξελιχθεί σε σύμβουλο τεκμηρίωσης.

2. AI-driven αναζητήσεις & συστηματικές ανασκοπήσεις

Στις συστηματικές ανασκοπήσεις ήδη χρησιμοποιούνται εργαλεία ΤΝ όπως:

Covidence

Rayyan

DistillerAI

Ο ιατρικός βιβλιοθηκονόμος θα χειρίζεται αυτά τα συστήματα, θα επιβλέπει τα αποτελέσματα και θα κάνει fine-tuning των αναζητήσεων.

3. Διαχείριση μεγάλων συνόλων βιοϊατρικών δεδομένων

Με την αύξηση των:

- genomic data

- κλινικών δεδομένων

- πραγματικού κόσμου δεδομένων (Real-World Data)

ο ιατρικός βιβλιοθηκονόμος γίνεται κρίσιμος στη:

- τεκμηρίωση datasets

- μεταδεδομένα

- οντολογίες (MeSH, SNOMED CT, ICD-10)

- data governance στα νοσοκομεία

4. Εξειδίκευση στο Medical Prompting & AI Literacy

Οι νέοι ιατρικοί βιβλιοθηκονόμοι θα πρέπει να γνωρίζουν:

- πώς να διατυπώνουν εξειδικευμένα prompts

- πώς να αξιολογούν τα outputs της AI

- πώς να καθοδηγούν ερευνητές και ιατρικό προσωπικό στη χρήση AI εργαλείων με ασφάλεια και δεοντολογία

5. Ethics, Privacy & Data Security

Η AI φέρνει νέα θέματα:

- GDPR στη βιοϊατρική έρευνα

- ανωνυμοποίηση δεδομένων

- υπεύθυνη χρήση ερευνητικών πληροφοριών

- κίνδυνοι παραπληροφόρησης

Ο ιατρικός βιβλιοθηκονόμος θα παίξει ρόλο “Φύλακα Πληροφορίας”.

Συμπέρασμα

Η Ιατρική Βιβλιοθηκονομία όχι μόνο δεν εξαφανίζεται, αλλά γίνεται ακόμη πιο σημαντική.

Οι βιβλιοθηκονόμοι του μέλλοντος:

- Χειρίζονται AI εργαλεία

- Ελέγχουν την ποιότητα της πληροφορίας

- Υποστηρίζουν την κλινική λήψη αποφάσεων

- Διαχειρίζονται δεδομένα υγείας

- Γίνονται experts σε biomedical information systems

Το επάγγελμα μετατρέπεται από "Βιβλιοθηκονόμο" σε ΄΄Ειδικό Διαχείρισης Ιατρικής γνώσης΄΄.

 Ποιες θα είναι οι δεξιότητες που θα έχουν τη μεγαλύτερη ζήτηση στην Ιατρική Βιβλιοθηκονομία την επόμενη δεκαετία, ειδικά μέσα σε ένα περιβάλλον όπου η Τεχνητή Νοημοσύνη (AI) αλλάζει τα πάντα;

Οι κορυφαίες δεξιότητες που θα ζητούνται την επόμενη 10ετία:

AI Literacy & Prompt Engineering (Εξειδικευμένες αναζητήσεις με ΤΝ)

Η ικανότητα να χρησιμοποιείς συστήματα AI όπως ChatGPT, PubMed GPT, Cochrane AI Tools κ.λπ. για:

- προηγμένες αναζητήσεις,

- έλεγχο αξιοπιστίας,

- παραγωγή περίληψης άρθρων,

- υποστήριξη συστηματικών ανασκοπήσεων.

Τι είναι AI literacy;

Είναι η κατανόηση του πώς λειτουργεί η AI, πού μπορεί να κάνει λάθη και πώς αξιολογούμε την ποιότητα των αποτελεσμάτων.

Expertise σε συστήματα βιοϊατρικών δεδομένων & οντολογίες

Η ιατρική επιστήμη βασίζεται σε μεταδεδομένα και ιατρικές οντολογίες, όπως:

MeSH

SNOMED CT

ICD-10 / ICD-11

LOINC

UMLS

Η ικανότητα διαχείρισης, χαρτογράφησης και αξιοποίησης αυτών θα είναι κρίσιμη.

Γιατί;

Γιατί η AI χρειάζεται σωστές δομές δεδομένων για να λειτουργήσει αξιόπιστα.

Δεξιότητες Συστηματικών Ανασκοπήσεων (Systematic Reviews Skills)

Η ζήτηση γι’ αυτές εκτοξεύεται.

Ο ιατρικός βιβλιοθηκονόμος θα χρειάζεται για:

- κατασκευή σύνθετων πρωτοκόλλων αναζήτησης,

- χρήση εργαλείων όπως Rayyan, Covidence, DistillerAI,

- αξιολόγηση μελετών (risk of bias),

- δημιουργία PRISMA flows.

Αυτή η ειδικότητα θα παραμείνει ανεξάρτητη από την αυτοματοποίηση.

Information Quality Control (έλεγχος ποιότητας πληροφοριών)

Επειδή η AI μπορεί να παράγει λάθη (hallucinations), οι ειδικοί πληροφόρησης θα χρειάζονται για:

- έλεγχο εγκυρότητας πηγών,

- αξιολόγηση αξιοπιστίας,

- cross-checking βιβλιογραφίας,

- εντοπισμό παραπληροφόρησης στην υγεία.

Data Management & FAIR Principles

Η ικανότητα να οργανώνεις και να τεκμηριώνεις δεδομένα υγείας σύμφωνα με το:

- Findable

- Accessible

- Interoperable

- Reusable

Αυτό γίνεται απαραίτητο σε νοσοκομεία, ερευνητικά κέντρα και big-data μονάδες.

Δεξιότητες σε Digital Libraries & Repositories

Αυξημένη ζήτηση για:

- διαχείριση θεσμικών αποθετηρίων,

- open access πολιτικές,

- διαχείριση πνευματικών δικαιωμάτων,

- υποστήριξη ερευνητών στη δημοσίευση.

Κυβερνοασφάλεια βασικού επιπέδου (Cybersecurity Awareness)

Όχι προγραμματισμός — αλλά γνώση:

- ασφαλούς διαχείρισης δεδομένων

- κινδύνων παραβίασης

- δεοντολογίας υγείας

- GDPR σε ευαίσθητα δεδομένα

Ένας ιατρικός βιβλιοθηκονόμος πρέπει να ξέρει πώς να αποφεύγει διαρροές πληροφοριών υγείας.

Εκπαιδευτικές & επικοινωνιακές δεξιότητες

Όσο κι αν η τεχνολογία εξελίσσεται, οι βιβλιοθηκονόμοι παραμένουν:

- Εκπαιδευτές

- Σύμβουλοι

- υποστηρικτές ερευνητών και γιατρών

Η δυνατότητα να εξηγούν πολύπλοκα συστήματα με απλό τρόπο θα είναι ανεκτίμητη.

Βασικές δεξιότητες σε αναλυτικά εργαλεία (Analytics Skills)

- κατανόηση dashboards (π.χ. Power BI, Tableau)

- αξιολόγηση trends

- βασικά στατιστικά

Γιατί;

Για να υποστηρίζει ο Ιατρικός Βιβλιοθηκονόμος κλινικούς και ερευνητές στη λήψη αποφάσεων.

Human–AI Collaboration: το πιο σημαντικό από όλα

Το μέλλον δεν είναι “AI vs άνθρωπος”.

Είναι άνθρωπος με AI.

Οι δεξιότητες που θα ξεχωρίσουν είναι:

- πώς να επιβλέπεις την AI,

- πώς να βελτιώνεις τα outputs της,

- πώς να διασφαλίζεις ότι τα αποτελέσματα είναι κλινικά χρήσιμα,

- πώς να ενσωματώνεις την AI στα workflows βιβλιοθηκών και νοσοκομείων.

Σύνοψη – Οι 5 σημαντικότερες δεξιότητες του μέλλοντος

- AI literacy & χρήση προηγμένων εργαλείων αναζήτησης

- Συστηματικές ανασκοπήσεις και τεκμηρίωση

- Διαχείριση βιοϊατρικών δεδομένων & οντολογιών

- Έλεγχος ποιότητας πληροφοριών υγείας

- FAIR data, δεοντολογία και GDPR στη βιοϊατρική πληροφόρηση

 Πρακτικοί και άμεσα εφαρμόσιμοι τρόποι για να αξιοποιήσει ο Ιατρικός Βιβλιοθηκονόμος την Τεχνητή Νοημοσύνη, μέσα από ρεαλιστικά σενάρια εργασίας:

1) Χρήση AI για Βιβλιογραφικές Αναζητήσεις (PubMed, Scopus, Cochrane)

Παράδειγμα 1 – Βελτιστοποίηση αναζητήσεων στο PubMed

Ο Ιατρικός Βιβλιοθηκονόμος ζητάει από την AI:

Prompt:

«Χρειάζομαι αναζήτηση PubMed για τη σχέση ύπνου και αρτηριακής πίεσης. Δημιούργησε MeSH terms, συνώνυμα και Boolean query σε μορφή έτοιμη για αντιγραφή.»

Τι θα λάβει:

• προτεινόμενα MeSH terms

• Boolean string (π.χ. ("Sleep"[Mesh] AND "Hypertension"[Mesh]))

• συνώνυμα για enhancement

• παραλλαγές sensitive vs specific queries

Χρήσιμο γιατί: Επιταχύνει κατά 70–80% το χρόνο δημιουργίας σύνθετων αναζητήσεων.

________________________________________

2) AI για Συστηματικές Ανασκοπήσεις (Systematic Reviews)

Παράδειγμα 2 – Δημιουργία PRISMA keywords

Prompt:

«Βρίσκομαι στην προετοιμασία συστηματικής ανασκόπησης για το Χ. Παρήγαγε πιθανές λέξεις-κλειδιά, MeSH και PICO format.»

Παράδειγμα 3 – Αξιολόγηση άρθρων (screening)

Με εργαλεία όπως Rayyan ή DistillerAI, μπορείς να:

• κάνεις screening abstracts

• εντοπίζεις bias

• ομαδοποιείς άρθρα με βάση θέματα

• φιλτράρεις low-quality μελέτες

Παράδειγμα 4 – Συνοπτικές περιλήψεις

Ο Ιατρικός Βιβλιοθηκονόμος ζητάει από την AI:

«Δώσε structured abstract (Background–Methods–Results–Conclusion) για αυτό το άρθρο.»

Έτσι εξοικονομεί χρόνο και έχει πιο καθαρή εικόνα για το αν αξίζει να το συμπεριλάβει.

________________________________________

3) AI για Βιοϊατρικά Δεδομένα & Οντολογίες

Παράδειγμα 5 – Μετατροπή λέξεων σε MeSH/SNOMED

Prompt:

«Μετέτρεψε τους όρους: ‘κάπνισμα’, ‘CHD’, ‘atherosclerosis’ σε MeSH και SNOMED CT κωδικούς.»

Χρήσιμο για αποθετήρια, κλινικά συστήματα, metadata management.

Παράδειγμα 6 – Δημιουργία metadata template

Ο Ιατρικός Βιβλιοθηκονόμος ζητάει από την AI να φτιάξει:

• πρότυπο μεταδεδομένων για dataset

• περιγραφή βάσει FAIR principles

• documentation με consistency

________________________________________

4) AI για Εκπαίδευση Προσωπικού (Information Literacy)

Παράδειγμα 7 – Δημιουργία εκπαιδευτικού υλικού

Prompt:

«Φτιάξε παρουσιάσιμο οδηγό για αρχάριους σχετικά με το πώς γίνεται αναζήτηση στο PubMed, με παραδείγματα και tips.»

Χρησιμοποιείται για:

• γιατρούς

• φοιτητές

• νοσηλευτές

• ερευνητές

Παράδειγμα 8 – Explain like I'm 5 (ELI5)

Για να εξηγήσεις δύσκολες έννοιες εύκολα:

«Εξήγησέ μου τι είναι το “Systematic Review vs Scoping Review” με απλό τρόπο, σαν να το λέω σε πρωτοετή φοιτητή.»

________________________________________

5) AI στην Κλινική Λήψη Αποφάσεων (με προσοχή!)

Δεν αντικαθιστά τον γιατρό. Υποστηρίζει τον βιβλιοθηκονόμο να παρέχει τεκμηρίωση.

Παράδειγμα 9 – Evidence Checks

«Ποιες είναι οι τελευταίες κατευθυντήριες οδηγίες για τη θεραπεία της Χ πάθησης; Δώσε μου summary και παραπομπές.»

Παράδειγμα 10 – Clinical question -> PICO

Ο Ιατρικός Βιβλιοθηκονόμος δίνει μια κλινική ερώτηση και η AI το μετατρέπει σε PICO (Population, Intervention, Comparison, Outcome).

Βοηθάει έτσι στη δημιουργία καλύτερων queries.

________________________________________

6) AI για Διαχείριση Βιβλιογραφίας

Παράδειγμα 11 – Μετατροπή βιβλιογραφίας σε format (APA, MLA, Vancouver)

Δίνεις λίστα άρθρων → παίρνεις:

• καθαρισμένες αναφορές

• σωστό citation style

• δυνατότητα εξαγωγής σε BibTeX

Παράδειγμα 12 – Εύρεση διπλότυπων

Ο Ιατρικός Βιβλιοθηκονόμος ζητάει στην AI:

«Εντόπισε duplicate references σε αυτή τη λίστα.»

________________________________________

7) AI για Έλεγχο Αξιοπιστίας Πληροφοριών

Παράδειγμα 13 – Πιθανή παραπληροφόρηση

Ο Ιατρικός Βιβλιοθηκονόμος δίνει ένα claim (π.χ. “το X βότανο θεραπεύει την καρκινική νόσο”)

και ζητάει:

• evidence check

• ποιοτικές πηγές

• αναφορά σε κατευθυντήριες οδηγίες

________________________________________

AI για Ψηφιακές Βιβλιοθήκες & Αποθετήρια

Παράδειγμα 14 – Αυτοματοποίηση περιγραφών

Ο Ιατρικός Βιβλιοθηκονόμος ζητάει από την AI να φτιάξει:

• abstract για αποθετήριο

• description

• keywords

• metadata mappings

Παράδειγμα 15 – Quality checks

Ο Ιατρικός Βιβλιοθηκονόμος ζητάει να εντοπίσει:

• missing metadata

• ασυνέπειες

• broken URLs

________________________________________

Σύντομη Σύνοψη

Η AI μπορεί να βοηθήσει έναν Ιατρικό Βιβλιοθηκονόμο σε:

Πεδίο Πρακτική χρήση

Αναζητήσεις MeSH/Boolean queries, PICO

Ανασκοπήσεις screening, bias detection

Δεδομένα metadata, οντολογίες

Εκπαίδευση guides, tutorials

Βιβλιογραφία citation cleaning

Κλινική πληροφόρηση evidence summaries

Αποθετήρια περιγραφές, έλεγχοι

 Ένα ολοκληρωμένο και σύγχρονο πρόγραμμα σπουδών για νέους ιατρικούς βιβλιοθηκονόμους, πλήρως ευθυγραμμισμένο με τις ανάγκες της εποχής της Τεχνητής Νοημοσύνης και της βιοϊατρικής πληροφορίας:

Το πρόγραμμα μπορεί να χρησιμοποιηθεί:

• για πανεπιστημιακό curriculum,

• για προσωπικό πρόγραμμα εκπαίδευσης 6–12 μηνών,

• για επαγγελματική αναβάθμιση εργαζομένων σε νοσοκομεία, βιβλιοθήκες ή ερευνητικά κέντρα.

Είναι χωρισμένο σε 4 βασικούς πυλώνες + προαιρετική εξειδίκευση.

________________________________________

**ΠΡΟΤΕΙΝΟΜΕΝΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ

Ιατρικής Βιβλιοθηκονομίας (Medical Librarianship)**

________________________________________

ΠΥΛΩΝΑΣ 1 — ΒΑΣΙΚΕΣ ΔΕΞΙΟΤΗΤΕΣ ΒΙΒΛΙΟΘΗΚΟΝΟΜΙΑΣ

1.1 Θεμελιώδης Βιβλιοθηκονομία

• Εισαγωγή στη Βιβλιοθηκονομία & Επιστήμη της Πληροφορίας

• Οργάνωση και ταξινόμηση πληροφοριών

• Περιγραφική καταλογογράφηση

• Δεοντολογία και αρχές επαγγέλματος

1.2 Εργαλεία και Συστήματα

• Koha / Alma / Sierra (ILS συστήματα)

• MARC21

• Dublin Core

• Ψηφιακές βιβλιοθήκες και αποθετήρια (DSpace, EPrints)

1.3 Πληροφοριακή παιδεία (Information Literacy)

• Εντοπισμός και αξιοπιστία πηγών

• Εκπαιδευτικές τεχνικές για φοιτητές/γιατρούς

________________________________________

ΠΥΛΩΝΑΣ 2 — ΒΙΟΪΑΤΡΙΚΗ ΠΛΗΡΟΦΟΡΗΣΗ & ΕΡΕΥΝΑ

2.1 Βιοϊατρικές βάσεις δεδομένων

• PubMed / MEDLINE

• Scopus

• Web of Science

• Cochrane Library

• Embase

• ClinicalTrials.gov

2.2 Ιατρικές Οντολογίες & Κατάλογοι όρων

• MeSH

• SNOMED CT

• ICD-10 / ICD-11

• LOINC

• UMLS

• Πρακτική εφαρμογή: πώς κάνω indexing & mapping

2.3 Πρακτικές Βιβλιογραφικής Αναζήτησης

• Boolean logic

• PICO-based search design

• Sensitive vs specific queries

• Χρήση AI για advanced queries (με παραδείγματα)

________________________________________

ΠΥΛΩΝΑΣ 3 — ΣΥΣΤΗΜΑΤΙΚΕΣ ΑΝΑΣΚΟΠΗΣΕΙΣ & ΕΠΙΣΤΗΜΟΝΙΚΗ ΤΕΚΜΗΡΙΩΣΗ

3.1 Μεθοδολογία Συστηματικών Ανασκοπήσεων

• PRISMA

• PROSPERO

• Risk of Bias (RoB 2, ROBINS-I)

• Μετα-αναλύσεις: βασικές αρχές για μη στατιστικούς

3.2 Εργαλεία

• Rayyan

• Covidence

• DistillerAI

• Zotero / Mendeley / EndNote

3.3 Πρακτική Άσκηση

• Σχεδιασμός αναζήτησης για πραγματικό θέμα

• Screening άρθρων

• Δημιουργία PRISMA flowchart

• Σύντομη βιβλιογραφική σύνοψη (evidence summary)

________________________________________

ΠΥΛΩΝΑΣ 4 — ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ & ΤΕΧΝΟΛΟΓΙΑ ΣΤΗΝ ΥΓΕΙΑ

4.1 AI Literacy για Βιβλιοθηκονόμους

• Πώς λειτουργεί η AI (με απλά λόγια)

• Τι είναι τα LLMs (ChatGPT, PubMed GPT κ.λπ.)

• Κίνδυνοι: bias, hallucinations, misinformation

4.2 Πρακτική χρήση AI

• Δημιουργία MeSH queries με AI

• AI για ανασκοπήσεις (screening, summaries)

• AI στην εκπαίδευση

• AI στην τεκμηρίωση και στα metadata

4.3 Data Ethics, GDPR & Cybersecurity

• Ευαίσθητα δεδομένα υγείας

• Ανωνυμοποίηση & ψευδωνυμοποίηση

• Διαχείριση HIPAA/GDPR

• Information security για μη ειδικούς

________________________________________

ΠΥΛΩΝΑΣ 5 — ΨΗΦΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΥΓΕΙΑΣ & DATA MANAGEMENT

5.1 Health Informatics Basics

• Electronic Health Records (EHRs)

• Healthcare interoperability (HL7, FHIR)

• Clinical decision support systems

5.2 Data Management

• FAIR Principles

• Metadata & documentation

• Research Data Management Plans (DMPs)

5.3 Βασικά στατιστικής & ανάλυσης δεδομένων

• descriptive statistics

• μελέτες παρατήρησης vs κλινικές μελέτες

• αναγνωρίζοντας bias και limitations

________________________________________

ΠΥΛΩΝΑΣ 6 — ΕΠΑΓΓΕΛΜΑΤΙΚΕΣ & ΔΙΔΑΚΤΙΚΕΣ ΔΕΞΙΟΤΗΤΕΣ

• Δημόσια ομιλία & εκπαιδευτική μεθοδολογία

• Εκπαίδευση γιατρών & φοιτητών

• Δημιουργία οδηγιών, manuals & tutorials

• Project management για βιβλιοθήκες

• Επικοινωνία με ερευνητές και κλινικούς

________________________________________

ΠΡΟΑΙΡΕΤΙΚΕΣ ΕΞΕΙΔΙΚΕΥΣΕΙΣ (ανάλογα με στόχους καριέρας)

Εξειδίκευση Α — Evidence-Based Medicine Support

Εμβάθυνση στην υποστήριξη κλινικών ομάδων & guideline development.

Εξειδίκευση Β — Clinical Data Librarianship

Επικέντρωση σε EHRs, οντολογίες & health informatics.

Εξειδίκευση Γ — Research Data Specialist

FAIR data, DMPs, data governance.

Εξειδίκευση Δ — AI & Knowledge Engineering

Χρήση AI για παραγωγή knowledge bases σε νοσοκομεία.

________________________________________

ΠΡΟΤΕΙΝΟΜΕΝΟ ΧΡΟΝΟΔΙΑΓΡΑΜΜΑ (12 μήνες)

Μήνες 1–3

Βασική βιβλιοθηκονομία + PubMed + πληροφοριακή παιδεία

Μήνες 4–6

Οντολογίες + συστηματικές ανασκοπήσεις + εργαλεία screening

Μήνες 7–9

AI literacy + health informatics + data management

Μήνες 10–12

Πρακτική άσκηση + mini research project + δημιουργία portfolio

________________________________________

Τι θα μπορεί να κάνει ο απόφοιτος;

• Να εκτελεί σύνθετες βιβλιογραφικές αναζητήσεις

• Να υποστηρίζει systematic reviews

• Να χρησιμοποιεί AI για τεκμηρίωση

• Να διαχειρίζεται biomedical metadata

• Να κατανοεί EHRs, οντολογίες και interoperability

• Να δημιουργεί εκπαιδευτικό υλικό

• Να εργάζεται σε νοσοκομεία, ερευνητικά κέντρα, πανεπιστήμια, φαρμακοβιομηχανίες

Επίλογος – Η Ιατρική Βιβλιοθηκονομία στο κατώφλι μιας νέας εποχής

Η Ιατρική Βιβλιοθηκονομία αποτελεί έναν από τους πιο κρίσιμους, αλλά συχνά αθέατους, πυλώνες της υγειονομικής και επιστημονικής προόδου. Σε έναν κόσμο όπου η πληροφορία αυξάνεται εκθετικά και η Τεχνητή Νοημοσύνη μεταμορφώνει τα πάντα γύρω μας, ο ιατρικός βιβλιοθηκονόμος δεν είναι απλώς ο “φύλακας” της γνώσης. Είναι ο ειδικός που την οργανώνει, τη φιλτράρει, την ερμηνεύει και τη μετατρέπει σε εργαλείο ζωτικής σημασίας για τους γιατρούς, τους ερευνητές, τους φοιτητές και την κοινωνία.

Καθώς η υγεία γίνεται ολοένα και πιο ψηφιακή, ο ρόλος του βιβλιοθηκονόμου εξελίσσεται: από διαχειριστής βιβλιογραφίας σε ειδικό βιοϊατρικής πληροφορίας, από υποστηρικτής ερευνητών σε σύμβουλο τεκμηρίωσης και ποιότητας, και από χρήστης τεχνολογίας σε συνοδοιπόρο της Τεχνητής Νοημοσύνης. Οι δεξιότητες διευρύνονται, οι ευκαιρίες πολλαπλασιάζονται και ο αντίκτυπος στο σύστημα υγείας μεγαλώνει.

Σε αυτή τη νέα εποχή, η Ιατρική Βιβλιοθηκονομία δεν υποχωρεί — αναβαθμίζεται. Γίνεται ο συνδετικός κρίκος ανάμεσα στη γνώση, την καινοτομία και την ανθρώπινη φροντίδα. Η συμβολή της στον κόσμο της υγείας είναι πιο ουσιαστική από ποτέ: να εξασφαλίζει ότι η σωστή πληροφορία φτάνει στον σωστό άνθρωπο, τη σωστή στιγμή.

Και αυτό, στο τέλος, δεν είναι απλώς επάγγελμα.

Είναι αποστολή!

Ελένη Σεμερτζίδου

Υπεύθυνη Ιατρικής Βιβλιοθήκης ΠΓΝΘ ΑΧΕΠΑ