Projekti / Programi
Umetna inteligenca v stopenjski diagnostiki
Koda |
Veda |
Področje |
Podpodročje |
3.06.00 |
Medicina |
Srce in ožilje |
|
Koda |
Veda |
Področje |
B145 |
Biomedicinske vede |
Jedrska medicina, radiobiologija |
B530 |
Biomedicinske vede |
Srce in obtočila |
ishemična bolezen srca, stopenjska diagnostika, umetna inteligenca, strojno učenje, Naivni Bayesov klasifikator, verjetnostni pristop
Raziskovalci (6)
Organizacije (1)
Povzetek
Ishemična bolezen srca je največji vzrok prezgodnje obolevnosti in umrljivosti današnjega časa. Diagnostika in terapija sta znani, problem je v razhajanju med razpoložljivim zdravstvenim denarjem in potrebami. Racionalna diagnostika je v tej situaciji dobrodošla.
Strojno učenje - zvrst umetne inteligence - je hitro razvijajoča se veda, ki se je v zadnjem desetletju izkazala za koristno orodje v številnih področjih odločanja, tudi v številnih področjih medicine. Praviloma odločitvena točnost s to metodo presega človeško.
V predhodni, že zaključeni raziskavi smo primerjali moč diagnostičnega odločanja metode strojnega učenja 'Naivni Bayesov klasifikator' s standardnim (človeškim) odločanjem pri 327 bolnikih, ki so v diagnostični obdelavi ishemične bolezni srca imeli opravljeno celotno standardno stopenjsko diagnostiko: anamnezo/klinični/laboratorijski pregled, cikloergometrijo, stresno scintigrafijo miokarda in koronarno angiografijo. S primerjanjem rezultatov vsake stopnje z rezultati angiografije smo računali diagnostično točnost vsake stopnje na standardni način, izračun smo ponovili s strojnim učenjem. Dodatno smo z obema metodama ocenjevali verjetnostni pristop (probability approach) k diagnostičnemu odločanju za bolezen. Rezultate smo primerjali.
Povprečna točnost standardnega izračuna je znašala 69 %, povprečna točnost Bayesovega izračuna pa 80 %. Povprečna točnost verjetnostnega odločanja se je v naši skupini izkazala za inferiorno napram standardni, s strojnim učenjem se je točnost pomembno izboljšala.
Glede na te vzpodbudne rezultate nameravamo rezultate preveriti na veliki skupini - približno 1000 bolnikih. V primeru podobnih rezultatov nameravamo predlagati ponovitev v večih neodvisnih centrih, s končnim ciljem, predlagati uvedbo metode v klinično prakso. Glede na naše dosedanje rezultate bi delo s to metodo pomenilo pri 11 % preiskovancev diagnozo na nižji diagnostični stopnji, kar bi bil pomemben doprinos k racionalizaciji in prihranku.
Samo delo z metodo strojnega učenja bi v vsakem diagnostičnem centru zahtevalo le srednje zmogljiv osebni računalnik z ustreznim programom in vnos podatkov opazovane preiskave.