Salamat sa pagbisita sa Nature.com. Ang bersyon ng browser na iyong ginagamit ay may limitadong suporta sa CSS. Para sa pinakamahusay na mga resulta, inirerekumenda namin ang paggamit ng isang mas bagong bersyon ng iyong browser (o pag -off ang mode ng pagiging tugma sa Internet Explorer). Samantala, upang matiyak ang patuloy na suporta, ipinapakita namin ang site nang walang estilo o JavaScript.
Ang mga aplikasyon ng klinikal na artipisyal na katalinuhan (AI) ay mabilis na lumalaki, ngunit ang umiiral na kurikulum ng medikal na paaralan ay nag -aalok ng limitadong pagtuturo na sumasaklaw sa lugar na ito. Narito inilalarawan namin ang isang artipisyal na kurso ng pagsasanay sa katalinuhan na binuo namin at naihatid sa mga mag -aaral na medikal ng Canada at gumawa ng mga rekomendasyon para sa pagsasanay sa hinaharap.
Ang artipisyal na katalinuhan (AI) sa gamot ay maaaring mapabuti ang kahusayan sa lugar ng trabaho at tulong sa paggawa ng desisyon sa klinikal. Upang ligtas na gabayan ang paggamit ng artipisyal na katalinuhan, ang mga manggagamot ay dapat magkaroon ng ilang pag -unawa sa artipisyal na katalinuhan. Maraming mga puna ang nagtataguyod ng pagtuturo ng mga konsepto ng AI, tulad ng pagpapaliwanag ng mga modelo ng AI at proseso ng pag -verify2. Gayunpaman, ilang mga nakaayos na plano ang ipinatupad, lalo na sa pambansang antas. Pinto dos Santos et al.3. 263 mga mag -aaral na medikal ang sinuri at 71% ay sumang -ayon na kailangan nila ng pagsasanay sa artipisyal na katalinuhan. Ang pagtuturo ng artipisyal na katalinuhan sa isang medikal na madla ay nangangailangan ng maingat na disenyo na pinagsasama ang mga teknikal at di-teknikal na konsepto para sa mga mag-aaral na madalas na may malawak na naunang kaalaman. Inilalarawan namin ang aming karanasan na naghahatid ng isang serye ng mga workshop ng AI sa tatlong pangkat ng mga mag -aaral na medikal at gumawa ng mga rekomendasyon para sa hinaharap na edukasyon sa medisina sa AI.
Ang aming limang linggong pagpapakilala sa Artipisyal na Intelligence sa Medicine Workshop para sa mga mag-aaral na medikal ay ginanap ng tatlong beses sa pagitan ng Pebrero 2019 at Abril 2021. Ang isang iskedyul para sa bawat pagawaan, na may isang maikling paglalarawan ng mga pagbabago sa kurso, ay ipinapakita sa Larawan 1. Ang aming kurso ay mayroon Tatlong pangunahing layunin sa pagkatuto: Naiintindihan ng mga mag -aaral kung paano naproseso ang data sa mga artipisyal na aplikasyon ng katalinuhan, pag -aralan ang artipisyal na panitikan ng katalinuhan para sa mga klinikal na aplikasyon, at samantalahin ang mga pagkakataon upang makipagtulungan sa mga inhinyero na bumubuo ng artipisyal na katalinuhan.
Ang asul ay ang paksa ng lektura at light blue ay ang interactive na tanong at sagot. Ang seksyon ng kulay -abo ay ang pokus ng maikling pagsusuri sa panitikan. Ang mga seksyon ng orange ay napiling mga pag -aaral ng kaso na naglalarawan ng mga artipisyal na modelo ng katalinuhan o pamamaraan. Ang Green ay isang gabay na kurso ng programming na idinisenyo upang magturo ng artipisyal na katalinuhan upang malutas ang mga problema sa klinikal at suriin ang mga modelo. Ang nilalaman at tagal ng mga workshop ay nag -iiba batay sa isang pagtatasa ng mga pangangailangan ng mag -aaral.
Ang unang pagawaan ay ginanap sa University of British Columbia mula Pebrero hanggang Abril 2019, at ang lahat ng 8 mga kalahok ay nagbigay ng positibong feedback4. Dahil sa Covid-19, ang pangalawang pagawaan ay gaganapin halos noong Oktubre-Nobyembre 2020, na may 222 mga mag-aaral na medikal at 3 residente mula sa 8 na mga medikal na paaralan ng Canada. Ang mga slide at code ng pagtatanghal ay na -upload sa isang bukas na site ng pag -access (http://ubcaimed.github.io). Ang pangunahing puna mula sa unang pag -ulit ay ang mga lektura ay masyadong matindi at ang materyal ay masyadong teoretikal. Ang paghahatid ng anim na magkakaibang mga time zone ng Canada ay nagdudulot ng karagdagang mga hamon. Kaya, ang pangalawang pagawaan ay pinaikling bawat session sa 1 oras, pinasimple ang materyal ng kurso, nagdagdag ng higit pang mga pag -aaral sa kaso, at lumikha ng mga programa ng boilerplate na nagpapahintulot sa mga kalahok na makumpleto ang mga snippet ng code na may kaunting pag -debug (Kahon 1). Ang pangunahing puna mula sa pangalawang pag -ulit ay kasama ang positibong puna sa mga pagsasanay sa programming at isang kahilingan upang ipakita ang pagpaplano para sa isang proyekto sa pag -aaral ng makina. Samakatuwid, sa aming ikatlong pagawaan, na gaganapin halos para sa 126 mga mag-aaral na medikal noong Marso-Abril 2021, isinama namin ang higit pang mga interactive na pagsasanay sa coding at mga sesyon ng feedback ng proyekto upang ipakita ang epekto ng paggamit ng mga konsepto sa pagawaan sa mga proyekto.
Pagtatasa ng Data: Isang larangan ng pag -aaral sa mga istatistika na nagpapakilala ng mga makabuluhang pattern sa data sa pamamagitan ng pagsusuri, pagproseso, at pakikipag -usap ng mga pattern ng data.
Pagmimina ng Data: Ang proseso ng pagkilala at pagkuha ng data. Sa konteksto ng artipisyal na katalinuhan, ito ay madalas na malaki, na may maraming mga variable para sa bawat sample.
Dimensionality Reduction: Ang proseso ng pagbabago ng data na may maraming mga indibidwal na tampok sa mas kaunting mga tampok habang pinapanatili ang mga mahahalagang katangian ng orihinal na set ng data.
Mga katangian (sa konteksto ng artipisyal na katalinuhan): nasusukat na mga katangian ng isang sample. Madalas na ginagamit nang palitan ng "pag -aari" o "variable".
Gradient activation map: isang pamamaraan na ginamit upang bigyang kahulugan ang mga artipisyal na modelo ng intelihensiya (lalo na ang mga convolutional neural network), na sinusuri ang proseso ng pag -optimize ng huling bahagi ng network upang makilala ang mga rehiyon ng data o mga imahe na lubos na mahuhulaan.
Pamantayang Modelo: Isang umiiral na modelo ng AI na na-pre-sanay upang maisagawa ang mga katulad na gawain.
Pagsubok (sa konteksto ng artipisyal na katalinuhan): Pagmamasid kung paano gumaganap ang isang modelo ng isang gawain gamit ang data na hindi pa nakatagpo nito.
Pagsasanay (sa konteksto ng artipisyal na katalinuhan): Nagbibigay ng isang modelo ng data at mga resulta upang ang modelo ay ayusin ang mga panloob na mga parameter upang ma -optimize ang kakayahang magsagawa ng mga gawain gamit ang bagong data.
Vector: Array ng data. Sa pag -aaral ng makina, ang bawat elemento ng array ay karaniwang isang natatanging tampok ng sample.
Inilista ng talahanayan ang pinakabagong mga kurso para sa Abril 2021, kasama ang mga target na layunin ng pagkatuto para sa bawat paksa. Ang workshop na ito ay inilaan para sa mga bago sa antas ng teknikal at hindi nangangailangan ng anumang kaalaman sa matematika na lampas sa unang taon ng isang undergraduate medical degree. Ang kurso ay binuo ng 6 na mag -aaral na medikal at 3 guro na may advanced na degree sa engineering. Ang mga inhinyero ay bumubuo ng artipisyal na teorya ng katalinuhan upang magturo, at ang mga mag -aaral na medikal ay natututo ng may kaugnayan sa klinika.
Kasama sa mga workshop ang mga lektura, pag -aaral ng kaso, at gabay na programming. Sa unang lektura, susuriin namin ang mga napiling konsepto ng pagsusuri ng data sa biostatistic, kabilang ang data visualization, logistic regression, at ang paghahambing ng mga naglalarawan at induktibong istatistika. Bagaman ang pagsusuri ng data ay ang pundasyon ng artipisyal na katalinuhan, ibubukod namin ang mga paksa tulad ng pagmimina ng data, pagsubok sa kabuluhan, o interactive na paggunita. Ito ay dahil sa mga hadlang sa oras at din dahil ang ilang mga mag -aaral na undergraduate ay nauna nang pagsasanay sa biostatistic at nais na masakop ang mas natatanging mga paksa sa pag -aaral ng makina. Ang kasunod na lektura ay nagpapakilala sa mga modernong pamamaraan at tinatalakay ang pagbabalangkas ng problema sa AI, pakinabang at mga limitasyon ng mga modelo ng AI, at pagsubok sa modelo. Ang mga lektura ay kinumpleto ng panitikan at praktikal na pananaliksik sa umiiral na mga aparato ng artipisyal na katalinuhan. Binibigyang diin namin ang mga kasanayan na kinakailangan upang suriin ang pagiging epektibo at pagiging posible ng isang modelo upang matugunan ang mga klinikal na katanungan, kabilang ang pag -unawa sa mga limitasyon ng umiiral na mga aparato ng artipisyal na intelihensiya. Halimbawa, hiniling namin sa mga mag -aaral na bigyang -kahulugan ang mga alituntunin ng pinsala sa ulo ng bata na iminungkahi ni Kupperman et al., 5 na nagpatupad ng isang artipisyal na algorithm ng desisyon ng intelihensiya upang matukoy kung ang isang pag -scan ng CT ay magiging kapaki -pakinabang batay sa pagsusuri ng isang manggagamot. Binibigyang diin namin na ito ay isang pangkaraniwang halimbawa ng AI na nagbibigay ng mahuhulaan na analytics para sa pagbibigay kahulugan sa mga manggagamot, sa halip na palitan ang mga manggagamot.
Sa magagamit na mga halimbawa ng Open Source Bootstrap Programming (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ipinapakita namin kung paano magsagawa ng pagsusuri ng data ng exploratory, pagbabawas ng dimensionality, karaniwang pag -load ng modelo, at pagsasanay . at pagsubok. Ginagamit namin ang Google Colaboratory Notebook (Google LLC, Mountain View, CA), na nagpapahintulot sa Python code na maisagawa mula sa isang web browser. Sa Fig. Ang Figure 2 ay nagbibigay ng isang halimbawa ng isang ehersisyo sa programming. Ang ehersisyo na ito ay nagsasangkot ng paghula ng mga malignancies gamit ang Wisconsin Open Breast Imaging Dataset6 at isang algorithm ng puno ng desisyon.
Kasalukuyang mga programa sa buong linggo sa mga kaugnay na paksa at pumili ng mga halimbawa mula sa nai -publish na mga aplikasyon ng AI. Ang mga elemento ng programming ay kasama lamang kung ang mga ito ay itinuturing na may kaugnayan sa pagbibigay ng pananaw sa hinaharap na klinikal na kasanayan, tulad ng kung paano suriin ang mga modelo upang matukoy kung handa ba silang magamit sa mga pagsubok sa klinikal. Ang mga halimbawang ito ay nagtatapos sa isang buong application na end-to-end na nag-uuri ng mga bukol bilang benign o malignant batay sa mga parameter ng medikal na imahe.
Heterogeneity ng naunang kaalaman. Ang aming mga kalahok ay iba -iba sa kanilang antas ng kaalaman sa matematika. Halimbawa, ang mga mag-aaral na may advanced na background sa engineering ay naghahanap ng mas malalim na materyal, tulad ng kung paano magsagawa ng kanilang sariling mga pagbabagong-anyo ng Fourier. Gayunpaman, ang pagtalakay sa Fourier algorithm sa klase ay hindi posible dahil nangangailangan ito ng malalim na kaalaman sa pagproseso ng signal.
Pag -agos ng pagdalo. Ang pagdalo sa mga follow-up na pulong ay tumanggi, lalo na sa mga online na format. Ang isang solusyon ay maaaring subaybayan ang pagdalo at magbigay ng isang sertipiko ng pagkumpleto. Ang mga medikal na paaralan ay kilala upang kilalanin ang mga transkripsyon ng mga aktibidad na pang -akademikong pang -akademikong mag -aaral, na maaaring hikayatin ang mga mag -aaral na ituloy ang isang degree.
Disenyo ng Kurso: Dahil ang AI ay sumasaklaw sa napakaraming mga subfield, ang pagpili ng mga pangunahing konsepto ng naaangkop na lalim at lapad ay maaaring maging mahirap. Halimbawa, ang pagpapatuloy ng paggamit ng mga tool ng AI mula sa laboratoryo hanggang sa klinika ay isang mahalagang paksa. Habang nasasakop namin ang preprocessing ng data, gusali ng modelo, at pagpapatunay, hindi namin kasama ang mga paksa tulad ng Big Data Analytics, Interactive Visualization, o pagsasagawa ng mga pagsubok sa klinikal na AI, sa halip ay nakatuon kami sa mga pinaka natatanging konsepto ng AI. Ang aming gabay na prinsipyo ay upang mapagbuti ang karunungang bumasa't sumulat, hindi mga kasanayan. Halimbawa, ang pag -unawa kung paano mahalaga ang isang modelo ng mga tampok ng pag -input para sa interpretasyon. Ang isang paraan upang gawin ito ay ang paggamit ng mga mapa ng pag -activate ng gradient, na maaaring mailarawan kung aling mga rehiyon ng data ang mahuhulaan. Gayunpaman, nangangailangan ito ng multivariate calculus at hindi maipakilala8. Ang pagbuo ng isang karaniwang terminolohiya ay mahirap dahil sinusubukan naming ipaliwanag kung paano magtrabaho sa data bilang mga vectors na walang pormalismo sa matematika. Tandaan na ang iba't ibang mga termino ay may parehong kahulugan, halimbawa, sa epidemiology, isang "katangian" ay inilarawan bilang isang "variable" o "katangian.
Pagpapanatili ng Kaalaman. Dahil ang aplikasyon ng AI ay limitado, ang lawak kung saan ang mga kalahok ay nagpapanatili ng kaalaman ay nananatiling makikita. Ang curricula ng medikal na paaralan ay madalas na umaasa sa spaced na pag -uulit upang mapalakas ang kaalaman sa panahon ng mga praktikal na pag -ikot, 9 na maaari ring mailapat sa edukasyon sa AI.
Ang propesyonalismo ay mas mahalaga kaysa sa pagbasa. Ang lalim ng materyal ay idinisenyo nang walang matematika na mahigpit, na kung saan ay isang problema kapag naglulunsad ng mga klinikal na kurso sa artipisyal na katalinuhan. Sa mga halimbawa ng programming, gumagamit kami ng isang programa ng template na nagbibigay -daan sa mga kalahok na punan ang mga patlang at patakbuhin ang software nang hindi kinakailangang malaman kung paano mag -set up ng isang kumpletong kapaligiran sa programming.
Ang mga alalahanin tungkol sa Artipisyal na Intelligence na Natugunan: May malawak na pag -aalala na ang artipisyal na katalinuhan ay maaaring palitan ang ilang mga tungkulin sa klinikal. Upang matugunan ang isyung ito, ipinapaliwanag namin ang mga limitasyon ng AI, kasama na ang katotohanan na halos lahat ng mga teknolohiya ng AI na naaprubahan ng mga regulator ay nangangailangan ng pangangasiwa ng manggagamot11. Binibigyang diin din namin ang kahalagahan ng bias dahil ang mga algorithm ay madaling kapitan ng bias, lalo na kung ang data set ay hindi magkakaibang12. Dahil dito, ang isang tiyak na subgroup ay maaaring maging modelo nang hindi tama, na humahantong sa hindi patas na mga desisyon sa klinikal.
Ang mga mapagkukunan ay magagamit sa publiko: nilikha namin ang magagamit na mga mapagkukunan ng publiko, kabilang ang mga slide ng lektura at code. Bagaman ang pag -access sa kasabay na nilalaman ay limitado dahil sa mga time zone, ang bukas na nilalaman ng mapagkukunan ay isang maginhawang pamamaraan para sa pag -aaral ng asynchronous dahil ang kadalubhasaan ng AI ay hindi magagamit sa lahat ng mga medikal na paaralan.
Pakikipagtulungan ng Interdisciplinary: Ang workshop na ito ay isang pinagsamang pakikipagsapalaran na sinimulan ng mga mag -aaral na medikal upang magplano ng mga kurso kasama ang mga inhinyero. Nagpapakita ito ng mga oportunidad sa pakikipagtulungan at mga gaps ng kaalaman sa parehong mga lugar, na nagpapahintulot sa mga kalahok na maunawaan ang potensyal na papel na maaaring mag -ambag sa hinaharap.
Tukuyin ang mga pangunahing kakayahan sa AI. Ang pagtukoy ng isang listahan ng mga kakayahan ay nagbibigay ng isang pamantayang istraktura na maaaring isama sa umiiral na curricula na batay sa kakayahang magamit. Ang workshop na ito ay kasalukuyang gumagamit ng mga antas ng layunin ng pag -aaral 2 (pag -unawa), 3 (aplikasyon), at 4 (pagsusuri) ng taxonomy ng Bloom. Ang pagkakaroon ng mga mapagkukunan sa mas mataas na antas ng pag -uuri, tulad ng paglikha ng mga proyekto, ay maaaring higit na mapalakas ang kaalaman. Nangangailangan ito ng pagtatrabaho sa mga eksperto sa klinikal upang matukoy kung paano mailalapat ang mga paksa ng AI sa mga klinikal na daloy ng trabaho at maiwasan ang pagtuturo ng mga paulit -ulit na paksa na kasama sa karaniwang medikal na kurikulum.
Lumikha ng mga pag -aaral sa kaso gamit ang AI. Katulad sa mga klinikal na halimbawa, ang pag-aaral na batay sa kaso ay maaaring mapalakas ang mga abstract na konsepto sa pamamagitan ng pag-highlight ng kanilang kaugnayan sa mga klinikal na katanungan. Halimbawa, sinuri ng isang pag-aaral sa workshop ang AI-based na Diabetic Retinopathy Detection System 13 upang makilala ang mga hamon sa landas mula sa LAB hanggang sa klinika, tulad ng mga panlabas na kinakailangan sa pagpapatunay at mga landas sa pag-apruba ng regulasyon.
Gumamit ng Experiential Learning: Ang mga kasanayan sa teknikal ay nangangailangan ng nakatuon na kasanayan at paulit -ulit na aplikasyon upang makabisado, katulad ng umiikot na mga karanasan sa pag -aaral ng mga klinikal na trainees. Ang isang potensyal na solusyon ay ang modelo ng silid -aralan ng flipped, na naiulat na mapabuti ang pagpapanatili ng kaalaman sa edukasyon sa engineering14. Sa modelong ito, suriin ng mga mag -aaral ang teoretikal na materyal nang nakapag -iisa at ang oras ng klase ay nakatuon sa paglutas ng mga problema sa pamamagitan ng mga pag -aaral sa kaso.
Pag -scale para sa mga kalahok ng multidisciplinary: Inisip namin ang pag -aampon ng AI na kinasasangkutan ng pakikipagtulungan sa maraming mga disiplina, kabilang ang mga manggagamot at magkakatulad na mga propesyonal sa kalusugan na may iba't ibang antas ng pagsasanay. Samakatuwid, ang curricula ay maaaring kailanganin na mabuo sa konsultasyon sa mga guro mula sa iba't ibang mga kagawaran upang maiangkop ang kanilang nilalaman sa iba't ibang mga lugar ng pangangalaga sa kalusugan.
Ang artipisyal na katalinuhan ay high-tech at ang mga pangunahing konsepto nito ay nauugnay sa matematika at agham sa computer. Pagsasanay sa mga tauhan ng pangangalagang pangkalusugan upang maunawaan ang artipisyal na katalinuhan ay nagtatanghal ng mga natatanging hamon sa pagpili ng nilalaman, kaugnayan sa klinikal, at mga pamamaraan ng paghahatid. Inaasahan namin na ang mga pananaw na nakuha mula sa AI sa mga workshop sa edukasyon ay makakatulong sa hinaharap na mga tagapagturo na yakapin ang mga makabagong paraan upang maisama ang AI sa edukasyon sa medisina.
Ang script ng Google Colaboratory Python ay bukas na mapagkukunan at magagamit sa: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
ProBer, KG at Khan, S. Pag -isip ng Medikal na Edukasyon: Isang Tawag sa Aksyon. Akkad. gamot. 88, 1407–1410 (2013).
McCoy, LG atbp Ano ang talagang kailangang malaman ng mga mag -aaral na medikal tungkol sa artipisyal na katalinuhan? Mga Numero ng NPZH. Gamot 3, 1–3 (2020).
Dos Santos, DP, et al. Mga saloobin ng mga mag -aaral na medikal patungo sa artipisyal na katalinuhan: isang survey ng multicenter. Euro. Radiation. 29, 1640–1646 (2019).
Fan, Ky, Hu, R., at Singla, R. Panimula sa pag -aaral ng makina para sa mga mag -aaral na medikal: isang proyekto ng piloto. J. Med. magturo. 54, 1042–1043 (2020).
Cooperman N, et al. Ang pagkilala sa mga bata sa napakababang peligro ng klinikal na makabuluhang pinsala sa utak pagkatapos ng pinsala sa ulo: isang prospect na pag -aaral ng cohort. Lancet 374, 1160–1170 (2009).
Street, Wn, Wolberg, WH at Mangasarian, ol. Nuclear tampok na pagkuha para sa diagnosis ng tumor sa suso. Biomedical science. Pagproseso ng imahe. Biomedical science. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. at Peng, L. Paano bumuo ng mga modelo ng pag -aaral ng makina para sa pangangalagang pangkalusugan. Nat. Mat. 18, 410–414 (2019).
Selvaraju, Rr et al. Grad-Cam: Visual na interpretasyon ng mga malalim na network sa pamamagitan ng pag-localize na batay sa gradient. Mga pamamaraan ng IEEE International Conference sa Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K at Ilic D. Pag-unlad at pagsusuri ng isang modelo ng spiral para sa pagtatasa ng mga kakayahang batay sa ebidensya na gumagamit ng OSCE sa undergraduate na edukasyon sa medisina. BMK Medicine. magturo. 21, 1–9 (2021).
Kolachalama VB at Garg PS Machine Learning at Medical Education. Mga Numero ng NPZH. gamot. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. at De Rooy, M. Artipisyal na Intelligence sa Radiology: 100 Mga produktong komersyal at ang kanilang ebidensya na pang -agham. Euro. Radiation. 31, 3797–3804 (2021).
Topol, EJ High-Performance Medicine: Ang tagpo ng tao at artipisyal na katalinuhan. Nat. gamot. 25, 44-56 (2019).
Bede, E. et al. Ang pagsusuri na nakasentro sa tao ng isang malalim na sistema ng pag-aaral na na-deploy sa klinika para sa pagtuklas ng diabetes retinopathy. Mga pamamaraan ng 2020 CHI Conference on Human Factors in Computing Systems (2020).
Kerr, B. Ang Flipped Classroom in Engineering Education: Isang Repasuhin sa Pananaliksik. Mga pamamaraan ng 2015 International Conference on Interactive Collaborative Learning (2015).
Pinasalamatan ng mga may -akda sina Danielle Walker, Tim Salcudin, at Peter Zandstra mula sa biomedical imaging at artipisyal na kumpol ng pananaliksik sa University of British Columbia para sa suporta at pagpopondo.
Ang RH, PP, ZH, RS at MA ay may pananagutan sa pagbuo ng nilalaman ng pagtuturo sa workshop. Ang RH at PP ay may pananagutan sa pagbuo ng mga halimbawa ng programming. Ang KYF, OY, MT at PW ay may pananagutan para sa logistikong samahan ng proyekto at ang pagsusuri ng mga workshop. Ang RH, OY, MT, RS ay may pananagutan sa paglikha ng mga numero at talahanayan. Ang RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS ay may pananagutan sa pagbalangkas at pag -edit ng dokumento.
Ang gamot sa komunikasyon salamat Carolyn McGregor, Fabio Moraes, at Aditya Borakati para sa kanilang mga kontribusyon sa pagsusuri ng gawaing ito.
Oras ng Mag-post: Peb-19-2024