Dva modely najdou pacienty, jejichž péče po diagnóze se liší od podobných. Web je seřadí do priorit A–C a ukáže proč.
Děti s nádorem procházejí léčbou různě: někdo je v nemocnici často, jiný skoro vůbec. Náš projekt hledá pacienty, jejichž průběh se výrazně liší od podobných dětí, ať už k horšímu, nebo k lepšímu, aby se na ně lékař mohl podívat jako na první. Pro každé dítě spočítáme, kolik pobytů v nemocnici, dnů v nemocnici, infekcí a dalších událostí bychom čekali u podobných dětí se stejným nádorem a věkem, a výsledek porovnáme se skutečností. Díváme se přitom na první tři měsíce, první rok i celé sledování od diagnózy. Děti, které se nejvíc liší, dostanou prioritu A, B nebo C, přičemž A je nejsilnější. Na webu u každého pacienta vidíte, proč se liší, co se mu kdy dělo a jaké měl výsledky z laboratoře. Lékař pak případ označí jako zajímavý, k diskusi nebo chybu v datech a může ho exportovat. Pracujeme s pseudonymizovanými daty pacientů, která se nenahrávají na internet, takže web obsahuje jen kód. V dalším kroku chceme nálezy ověřit s lékaři, web zjednodušit a přidat do výpočtu léčbu, abychom rozlišili horší péči od těžšího případu.
- Měli už předtím
- nic
- Využití AI
- Odlehlé pacienty hledáme vlastními statistickými modely, ne LLM. Model 1: regrese a kNN předpovídají počet hospitalizací podle diagnózy a věku. Model 2: totéž pro 5 výsledků (hospitalizace, dny v nemocnici, neutropenie, infekce, ambulance). Shluky: Wardova metoda, vizualizace PCA. Data: pseudonymizované epizody péče, diagnózy a laboratoř.
Aby se model nemýlil: (1) odchylka je „jistá" jen když ji potvrdí regrese i kNN a výsledek je stabilní při změně vah; (2) každý nález ukazuje pozorováno vs. očekáváno a upozornění na kvalitu dat (např. možná léčba jinde); (3) model nic nerozhoduje, jen řadí případy k posouzení lékařem, který je označí jako zajímavý / k diskusi / artefakt.
Při vývoji kódu nám pomáhal AI asistent; výsledky modelů jsme kontrolovali sami. - Dopad
- Model nenahrazuje lékaře, ale zkracuje hledání: místo procházení všech pacientů dostane tým krátký seznam (v našich datech 22 z 157 s prioritou A–C) s důvodem a časovou osou.
Odhad přínosu: výrazně méně času na ruční prohlížení případů, a to jak horších, tak lepších než čekáno. Horší případy mohou odhalit komplikace nebo chyby v péči. Ty lepší ukazují, co funguje, a zachytí i chyby v datech nebo léčbu mimo naše data.
Konkrétní čísla (ušetřené hodiny, dřívější záchyt) zatím nemáme změřená. Dalším krokem je ověření s lékaři a použití jejich hodnocení ke zlepšení modelů. - Komu pomůže
- Výzkum
- Technologie InterSystems
- Ne
- Tým
- Axolotl — Jakub Henzl, Jan Henzl
- Výzva
- Když realita překoná prognózu · Brno