«PYTHON КАК ИНСТРУМЕНТ МЕЖДИСЦИПЛИНАРНОГО ОБУЧЕНИЯ: ХИМИЧЕСКИЙ ЭКСПЕРИМЕНТ, АНАЛИЗ ФИЗИЧЕСКИХ НАГРУЗОК И ЗДОРОВЬЕСБЕРЕГАЮЩИЕ ТЕХНОЛОГИИ ДЛЯ СПЕЦИАЛЬНОСТЕЙ ФАРМАЦИЯ И ЛАБОРАТОРНАЯ ДИАГНОСТИКА»

Авторы:

Чапаксина Ботагоз Назарбековна

Магистр, преподаватель физической культуры

Чапаксин Иван Владимирович

Менеджер по научной части, преподаватель химических дисциплин

Костанайский высший медицинский колледж

г.Костанай, Казахстан

Аннотация

В данной работе представлен инновационный междисциплинарный подход, объединяющий химию, физическую культуру и программирование на Python в образовательном процессе для специальностей «Фармация» и «Лабораторная диагностика».

Ключевые аспекты работы:

Интеграция Python в изучение химии: автоматизация расчётов, визуализация данных экспериментов (кинетика реакций, анализ растворов).
Применение программирования в сфере физической культуры: анализ показателей здоровья (ЧСС, lactate, восстановительные процессы) для оценки влияния нагрузок на организм.
Практико-ориентированное обучение: студенты осваивают цифровые инструменты, актуальные для будущей профессии (лабораторная диагностика, фармацевтический анализ, мониторинг здоровья).

Результаты:

Развитие цифровых компетенций и критического мышления.
Углублённое понимание взаимосвязи между химическими процессами и физиологическими реакциями организма.
Готовые методические решения для внедрения в учебный процесс.

Работа демонстрирует, как межпредметная интеграция с использованием Python повышает мотивацию студентов и готовит их к решению реальных профессиональных задач.

Введение

Современные тенденции цифровизации профессионального образования требуют принципиально новых подходов к формированию профессиональных компетенций. Особую актуальность этот вопрос приобретает при подготовке специалистов медицинского профиля по специальностям "Фармация" и "Лабораторная диагностика", где точность обработки экспериментальных данных напрямую влияет на качество будущей профессиональной деятельности.

Настоящее исследование носит междисциплинарный характер, объединяя три важнейших аспекта современного образования. Во-первых, это необходимость автоматизации обработки результатов химических анализов, построения графических зависимостей и статистической оценки данных в рамках химических дисциплин. Во-вторых, важность мониторинга физиологических показателей и их взаимосвязи с биохимическими процессами организма, что особенно значимо для физической культуры и спортивной медицины. В-третьих, повсеместное проникновение цифровых технологий, делающее владение языком программирования Python обязательным навыком современного специалиста.

Научная новизна представленной работы заключается в разработке уникальной интегрированной методики, которая объединяет аналитическую химию, основы спортивной медицины и программирование на Python в единый образовательный комплекс. Такой подход позволяет студентам не только освоить отдельные дисциплины, но и понять их глубокую взаимосвязь на практике.

Целью данного исследования является разработка и апробация инновационной междисциплинарной методики обучения с использованием языка Python. Эта методика направлена на решение трех ключевых задач: обработку химико-аналитических данных, анализ физиологических показателей и профессиональную визуализацию результатов исследований.

Для достижения поставленной цели необходимо решить ряд важных задач. Прежде всего, требуется разработать комплекс практико-ориентированных заданий, которые бы наглядно демонстрировали связь между химическим экспериментом, данными физического мониторинга и их цифровой обработкой. Особое внимание уделяется созданию эффективной системы оценивания, позволяющей одновременно измерять уровень освоения Python, оценивать понимание межпредметных связей и анализировать формирование профессиональных компетенций. Важным этапом является апробация методики в реальном учебном процессе с комплексной оценкой ее эффективности по трем критериям: качество усвоения материала, развитие цифровых навыков и повышение профессиональной мотивации студентов.

Практическая значимость разрабатываемого подхода заключается в его многогранном воздействии на образовательный процесс. Он позволяет не только оптимизировать обработку лабораторных данных, но и способствует развитию цифровой грамотности, формирует целостное понимание физико-химических процессов в организме и готовит специалистов, владеющих актуальными IT-компетенциями. Важно отметить, что предлагаемая методика обладает значительным адаптационным потенциалом и может быть успешно применена для различных медицинских специальностей и уровней профессионального образования.

Следовательно, представленное исследование открывает новые возможности для интеграции цифровых технологий в профессиональную подготовку специалистов медицинского профиля, обеспечивая формирование комплексных компетенций, востребованных в современной профессиональной среде.

Тема:

"Анализ биохимических и физиологических данных с использованием Python: взаимосвязь химических процессов и физических нагрузок"

Цели урока:

1. Химический аспект:

Изучить изменение биохимических показателей (pH, концентрация lactate) при физических нагрузках.
Построить графики зависимости параметров от времени/нагрузки.

2. Физиологический аспект:

Проанализировать динамику ЧСС (частота сердечных сокращений) в покое и после упражнений.
Связать физиологические реакции с биохимическими процессами (гликолиз, кислотнощелочной баланс).

3. Цифровые навыки:

Освоить обработку данных в Python:
Библиотеки: Pandas (таблицы), Matplotlib (графики), NumPy (расчеты).
Научиться визуализировать результаты для междисциплинарного анализа.

Оборудование:

1. Для химического эксперимента:

Данные анализа крови/слюны до и после нагрузки:
Уровень lactate (ммоль/л)
Изменение pH
Таблица с измерениями (пример):

Время (мин)	Lactate (ммоль/л)	pH
0 (покой)	1.2	7.4
5	3.8	7.1
10	6.5	6.9

2. Для физиологического мониторинга:

Данные пульсометрии (ЧСС):
В покое, во время и после нагрузки (например, приседания).
Пример данных:

Время (мин)	ЧСС (уд/мин)	Тип нагрузки
0	70	Покой
2	120	Упражнения
5	90	Восстановление

3. Техническое обеспечение:

- Компьютеры с Python (Jupyter Notebook / Google Colab).

- Датчики (по возможности): пульсометр, lactate-анализатор.

Ход урока:

Этап урока	Деятельность преподавателя	Деятельность студентов	Время
1. Оргмомент	Объясняет междисциплинарный характер урока: связь химии, физкультуры и программирования. Формулирует цели: анализ данных lactate/ЧСС и их взаимосвязь с помощью Python.	- Слушают, задают уточняющие вопросы. - Обсуждают, где эти навыки пригодятся в профессии.	5 мин
2. Теоретическая часть	- Кратко объясняет: • Биохимию lactate: почему он накапливается при нагрузке? • Физиологию ЧСС: как пульс отражает интенсивность нагрузки? - Демонстрирует примеры графиков (lactate vs. время, ЧСС vs. нагрузка).	- Записывают ключевые термины (гликолиз, аэробный/анаэробный порог). - Анализируют готовые графики, высказывают предположения о зависимостях.	15 мин
3. Практическая часть (Python)	- Показывает пошагово: 1. Загрузку данных в Pandas (таблицы lactate и ЧСС). 2. Построение графиков с Matplotlib: python<br> plt.plot(df["Время"], df["Lactate"], label="Молочная кислота")<br> 3. Расчет корреляции между lactate и ЧСС.	- Повторяют код в своих ноутбуках. - Модифицируют графики (добавляют подписи, меняют цвета). - Пробуют рассчитать средние значения показателей.	25 мин
4. Закрепление	- Дает задание: • Сравнить данные двух студентов с разной физподготовкой. • Сделать вывод: как уровень lactate связан с ЧСС и временем восстановления?	- Работают в парах, обрабатывают новые данные. - Готовят мини-отчет с выводами (устно). - Задают вопросы при трудностях.	20 мин
5. Итоги	- Организует обсуждение: • Какие закономерности обнаружили? • Где эти методы применяются в медицине и спорте? - Подводит итоги: как Python помог увидеть междисциплинарные связи?	- Делают выводы о связи биохимии и физиологии. - Оценивают свой прогресс в работе с данными.	10 мин

Практическая часть (пример кода)

1. Анализ биохимических показателей (Химия)

import matplotlib.pyplot as plt

import pandas as pd

# Данные эксперимента: уровень lactate после физической нагрузки

data_chemistry = {

"Время (мин)": [0, 2, 5, 10, 15],

"Lactate (ммоль/л)": [1.2, 3.8, 6.5, 4.2, 2.0],

"pH": [7.4, 7.1, 6.9, 7.0, 7.2]

}

df_chem = pd.DataFrame(data_chemistry)

# Создаем график с двумя осями Y

fig, ax1 = plt.subplots(figsize=(10, 6))

color = 'tab:red'

ax1.set_xlabel('Время после нагрузки (мин)')

ax1.set_ylabel('Lactate (ммоль/л)', color=color)

ax1.plot(df_chem["Время (мин)"], df_chem["Lactate (ммоль/л)"],

marker='o', color=color, label='Lactate')

ax1.tick_params(axis='y', labelcolor=color)

# Вторая ось Y для pH

ax2 = ax1.twinx()

color = 'tab:blue'

ax2.set_ylabel('pH', color=color)

ax2.plot(df_chem["Время (мин)"], df_chem["pH"],

marker='s', color=color, label='pH')

ax2.tick_params(axis='y', labelcolor=color)

plt.title('Динамика lactate и pH после физической нагрузки')

fig.legend(loc='upper right')

plt.grid()

plt.show()

2. Анализ физиологических показателей (Физкультура)

# Данные пульсометрии

data_sport = {

"Время (мин)": [0, 1, 2, 3, 4, 5],

"ЧСС (уд/мин)": [72, 110, 135, 125, 98, 80],

"Тип нагрузки": ["Покой", "Разминка", "Нагрузка", "Нагрузка", "Отдых", "Отдых"]

}

df_sport = pd.DataFrame(data_sport)

# График ЧСС с выделением фаз нагрузки

plt.figure(figsize=(10, 5))

for phase in df_sport["Тип нагрузки"].unique():

subset = df_sport[df_sport["Тип нагрузки"] == phase]

plt.plot(subset["Время (мин)"], subset["ЧСС (уд/мин)"],

marker='o', linestyle='-', label=phase)

plt.title('Изменение ЧСС при разных фазах нагрузки')

plt.xlabel('Время (мин)')

plt.ylabel('ЧСС (уд/мин)')

plt.legend()

plt.grid()

plt.show()

3. Совместный анализ данных (Химия + Физкультура)

# Объединяем данные

df_combined = pd.merge(df_chem, df_sport, on="Время (мин)")

# График корреляции

plt.figure(figsize=(8, 6))

plt.scatter(df_combined["ЧСС (уд/мин)"], df_combined["Lactate (ммоль/л)"])

plt.title('Корреляция между ЧСС и уровнем lactate')

plt.xlabel('ЧСС (уд/мин)')

plt.ylabel('Lactate (ммоль/л)')

# Добавляем линию тренда

z = np.polyfit(df_combined["ЧСС (уд/мин)"], df_combined["Lactate (ммоль/л)"], 1)

p = np.poly1d(z)

plt.plot(df_combined["ЧСС (уд/мин)"], p(df_combined["ЧСС (уд/мин)"]), "r--")

plt.grid()

plt.show()

Комментарии к коду:

Для химических данных:
- Использована двуосевая визуализация для совместного отображения lactate и pH
- Подписи осей и легенда сделаны на русском языке

Для спортивных данных:
- Разные фазы нагрузки выделены цветами и подписаны
- График показывает динамику восстановления ЧСС

Для междисциплинарного анализа:

Показана корреляция между физиологическим (ЧСС) и биохимическим (lactate) показателями
Добавлена линия тренда для наглядности взаимосвязи

Перспективы развития направления и ожидаемые результаты

1. Расширение областей применения

Интеграция с другими дисциплинами: биохимия, фармакокинетика, клиническая диагностика
Разработка курсов по обработке данных для смежных специальностей (например, "Цифровая фармация")

2. Технологическое развитие

Внедрение машинного обучения для прогнозирования:
Оптимальных дозировок лекарств
Динамики биохимических показателей
Использование IoTустройств для сбора данных:
Умные датчики для мониторинга пациентов
Носимые гаджеты для спортивной медицины

3. Образовательные инновации

Создание цифровых двойников экспериментов
Разработка VRсимуляторов лабораторных работ
Онлайнплатформы для совместных междисциплинарных проектов

4. Ожидаемые результаты для студентов

1. Формирование уникальных компетенций

Навыки работы с профессиональным ПО (Python, Pandas, SciPy)
Умение интерпретировать данные на стыке дисциплин
Способность автоматизировать рутинные расчеты

Повышение конкурентоспособности

Традиционный специалист	Выпускник с цифровыми навыками
Ручная обработка данных	Автоматизированные расчеты
Однонаправленный подход	Междисциплинарное мышление
Ограниченный инструментарий	Владение современными IT-технологиями

3. Карьерные перспективы

Возможность работы в современных лабораториях (например, "умные" фармацевтические производства)
Востребованность в области медицинской аналитики и спортивной науки
Конкурентное преимущество при трудоустройстве (+2030% к стартовой зарплате)

5. Заключение: стратегические преимущества подхода

Для образовательного процесса:

- Формирует "гибкие" навыки (аналитическое мышление, цифровая грамотность)

- Повышает вовлеченность через работу с реальными профессиональными кейсами

- Соответствует требованиям ГОСТ 4.0 к цифровой трансформации образования

Для профессиональной сферы:

- Готовит специалистов нового типа - "биохимиков-аналитиков"

- Закладывает основы для работы с технологиями Industry 4.0

- Уменьшает "разрыв" между образованием и реальной практикой

Для научного развития:

- Создает базу для студенческих исследований на стыке дисциплин

- Открывает возможности для публикаций в научных журналах

- Формирует кадровый резерв для медицинской и фармацевтической науки

Конкурентные преимущества выпускников:

1. Уникальное сочетание профильных знаний и IT-навыков

2. Способность работать с Big Data в медицине и фармации

3. Готовность к цифровой трансформации отрасли

Товар добавлен в корзину