Nalaganje ...
Projekti / Programi vir: ARIS

Umetna inteligenca v stopenjski diagnostiki

Raziskovalna dejavnost

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 
Ključne besede
ishemična bolezen srca, stopenjska diagnostika, umetna inteligenca, strojno učenje, Naivni Bayesov klasifikator, verjetnostni pristop
Vrednotenje (pravilnik)
vir: COBISS
Raziskovalci (6)
št. Evidenčna št. Ime in priimek Razisk. področje Vloga Obdobje Štev. publikacijŠtev. publikacij
1.  17679  Jožica Arko    Raziskovalec  2002 - 2004 
2.  09790  dr. Jurij Fettich  Srce in ožilje  Raziskovalec  2002 - 2004  297 
3.  09791  dr. Valentin Fidler  Srce in ožilje  Raziskovalec  2001 - 2002  118 
4.  06769  dr. Ciril Grošelj  Srce in ožilje  Vodja  2002 - 2004  85 
5.  16192  mag. Tomaž Milanez  Onkologija  Raziskovalec  2002 - 2004  71 
6.  05366  Milan Prepadnik  Srce in ožilje  Raziskovalec  2001 - 2002  51 
Organizacije (1)
št. Evidenčna št. Razisk. organizacija Kraj Matična številka Štev. publikacijŠtev. publikacij
1.  0312  Univerzitetni klinični center Ljubljana  Ljubljana  5057272000  77.959 
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.
Zgodovina ogledov
Priljubljeno