Závěry ze screeningu Titics

Vytvořili jsme řešení založené na strojovém učení, které předpovídá zmeškané termíny mamografického vyšetření, rozděluje pacientky do rizikových skupin a doporučuje opatření ke zvýšení účasti na screeningových vyšetřeních.

Screening Insights je prototyp systému na podporu rozhodování pro program pozvánek na mamografické vyšetření společnosti VZP. Kombinuje přípravu dat, automatický výběr modelů, predikci rizika, vysvětlení modelů a interaktivní dashboard vytvořený v Reactu. Data Datový soubor obsahuje 1 344 556 pozvánek pro 508 527 žen z let 2020–2024. Každý řádek představuje jednu pozvánku, takže stejná žena se může objevit v několika letech. Poskytnutá kohorta se skládá z žen, které byly nepřetržitě pojištěny u VZP v letech 2015 až 2025. Záznamy popisují historii pozvánek, předchozí screeningy, preventivní návštěvy, kontakty se zdravotnickými zařízeními, věkové skupiny, územní pobočky a registraci u praktického lékaře nebo gynekologa. Obsahují také ukazatele účasti na screeningu 3, 6 a 12 měsíců po pozvánce. Primárním cílem modelování je neúčast na screeningu do 12 měsíců. Ukazatele účasti na screeningu po pozvánce se používají k definování nebo analýze výsledků, nikdy však jako prediktivní vstupy. Osobní identifikátory se používají pro seskupování záznamů a validaci, nikoli jako vlastnosti modelu. Metody Pythonový proces mapuje zdrojové sloupce do konzistentního schématu, zpracovává chybějící hodnoty a kontroluje duplicity, nekonzistentní záznamy a potenciální únik informací. Vlastnosti popisují informace dostupné v době zaslání pozvánky. Trénujeme na datech z předchozích let a rok 2024 vyhrazujeme jako samostatné testovací období. Během vývoje modelu křížová validace seskupuje záznamy podle žen, aby se zabránilo zařazení stejné osoby jak do trénovacích, tak do validačních skupin. FLAML prohledává různé rodiny modelů a konfigurace. Optuna dále ladí LightGBM pomocí předčasného ukončení a prořezávání. Kandidáti jsou porovnáváni na stejných validačních skupinách, než je finální model vyhodnocen na vyhrazeném roce. Hodnocení zahrnuje ROC-AUC, průměrnou přesnost, kalibraci, Brierovo skóre a výkonnost při různých velikostech seznamů kontaktů. SHAP nebo permutační význam vysvětlují, které vlastnosti ovlivňují předpovědi. Segmenty založené na pravidlech propojují zaznamenané anamnézy s navrhovanými přístupy k oslovení. Experimenty a konfigurace modelů jsou sledovány v MLflow. Vytrénovaný model je uložen spolu se schématem jeho vlastností, zatímco dashboard v Reactu čte souhrnné zprávy namísto jednotlivých záznamů o pacientech. Další kroky S VZP potvrdíme definice polí, pravidla způsobilosti pro pozvánky a použitelnost poskytnuté kohorty. Rovněž určíme, jaké komunikační kanály, personální kapacity a skutečné náklady jsou k dispozici. Další fází vývoje je předem specifikovaný A/B test: definujeme jednu cílovou skupinu a jeden zásah, vypočítáme požadovanou velikost vzorku, náhodně přiřadíme ženy k obvyklé pozvánce nebo k dodatečné podpoře a budeme sledovat účast na screeningu. Pozdější iterace mohou využít experimentální data k odhadu, komu konkrétní zásahy prospívají, a zároveň sledovat kvalitu dat, kalibraci a výkonnost napříč skupinami.