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)
št. |
Evidenčna št. |
Ime in priimek |
Razisk. področje |
Vloga |
Obdobje |
Štev. publikacijŠtev. publikacij |
1. |
17679 |
Jožica Arko |
|
Raziskovalec |
2002 - 2004 |
0 |
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 |
68 |
6. |
05366 |
Milan Prepadnik |
Srce in ožilje |
Raziskovalec |
2001 - 2002 |
51 |
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.