Pomáháme lékařům hledat neobvyklé průběhy péče pomocí srovnání podobných pacientů a srozumitelných vizualizací.
Lékař někdy potřebuje v datech najít něco zajímavého, aniž předem ví, na co se zeptat. OncoScope mu umožňuje samostatně prozkoumat neobvyklé případy, porovnat je s podobnými pacienty a vytvářet hypotézy pro další odborné ověření. Snižujeme tak bariéru mezi klinickou praxí a datovou analýzou.
Během Rakathonu jsme od nuly vytvořili lokální webovou aplikaci v Pythonu a Streamlitu nad třemi propojenými CSV soubory: údaji o 157 pacientech dětské onkologie FN Brno, epizodami péče a laboratorními výsledky dostupnými u části pacientů.
Aplikace propojuje dvě hlavní části:
- Pacienti: přehled a filtrování pacientů, detail případu, historie péče, dostupné laboratorní výsledky a porovnání se srovnávací skupinou.
- Analýza odchylek: přehled pacientů s neobvykle krátkými či dlouhými pobyty, interaktivní grafy, nastavení citlivosti detekce a přechod ke konkrétnímu případu a jeho odbornému posouzení.
V prototypu sledujeme typickou a maximální délku vybraných hospitalizací. Očekávání stanovujeme pomocí transparentního srovnání s dalšími pacienty podle dostupných charakteristik. Hodnocený pacient není součástí vlastní referenční skupiny. Odchylku skutečného průběhu od očekávání zobrazujeme v původních jednotkách i pomocí standardizovaného skóre.
Lékař vidí, s kým pacienta porovnáváme, z kolika záznamů výpočet vychází a které charakteristiky srovnání nezohledňuje. Aplikace přiznává i případy, pro něž není dostatek podkladů. Neobvyklý pobyt automaticky neznamená lepší či horší zdravotní výsledek; jeho význam posuzuje lékař.
Součástí aplikace je také shlukování samotných outlierů a porovnávání jejich společných charakteristik, ukládání lékařských komentářů a hodnocení klinické relevance a export výsledků do CSV.
Mezi možná budoucí rozšíření patří podrobnější porovnání dvou vybraných pacientů, přidání dalších modelů očekávaného průběhu péče a alternativních metod detekce odchylek. Tyto možnosti by lékaři umožnily zkoumat případy z více pohledů a porovnávat, jak se nalezené odchylky mění podle zvoleného přístupu.
- Měli už předtím
- Před akcí jsme neměli připravený projekt ani prototyp. Řešení jsme vytvořili od nuly během Rakathonu s využitím běžných open-source knihoven a dat poskytnutých pořadateli.
- Využití AI
- LLM jsme využili při návrhu analytického postupu, tvorbě kódu a ladění aplikace. Analýzu pacientů zajišťuje transparentní statistický model, který z diagnóz a záznamů hospitalizací stanovuje očekávanou délku pobytu podle srovnatelných pacientů. Neobvyklé případy vyhledáváme pomocí standardizovaných odchylek skutečných hodnot od tohoto očekávání.
Riziko chybných závěrů omezujeme dohledatelným výpočtem a zobrazením konkrétní srovnávací skupiny. Hodnocený pacient není součástí vlastní reference. Uvádíme počet dostupných záznamů, nezohledněné charakteristiky i nedostatek podkladů. Lékař může ověřit nález v historii péče a posoudit jeho klinický význam. - Dopad
- Projekt může zkrátit cestu od klinických dat k případům, které stojí za bližší prozkoumání. Lékař může samostatně vyhledat neobvyklé průběhy péče, porovnat je s podobnými pacienty a formulovat konkrétní výzkumnou otázku bez nutnosti zadávat každý průzkumný krok IT specialistovi. Potenciálním přínosem je úspora času při orientaci v datech, snazší spolupráce lékařů a analytiků a objevování souvislostí pro další výzkum. Konkrétní časovou úsporu a klinický přínos by bylo potřeba ověřit při používání v praxi.
- Komu pomůže
- Lékaři a sestry, Výzkum
- Technologie InterSystems
- Ne
- Tým
- Brainless — Jiří Svoboda, Teodor Otkovic, Andrey Novak
- Výzva
- Když realita překoná prognózu · Brno