Big Data i Machine Learning - zastosowanie w medycynie

October 18, 2023

Operacje przeprowadzane przy wsparciu hologramowych obrazów narządów wewnętrznych pacjenta, modele obliczające ryzyko zachorowania na raka czy cukrzycę, model pozwalający ocenić zmiany skórne człowieka i oszacować czy są to już zmiany chorobowe. To nie science fiction - to współczesność. Wydaje się, że medycyna i technologia, zawsze bardzo mocno szły w parze. Teraz ten tandem przyspieszył szczególnie mocno. Dlaczego?

Teraźniejszość.

‍

Kto nie był choć raz u lekarza? Doskonale wiemy, że nawet najprostsze przeziębienie wymaga zebrania od lekarza wywiadu i wypisania ewentualnej recepty. Przez całe swoje życie odbywamy bardzo wiele wizyt, zarówno tych rutynowych jak i nagłych. Potrzebujemy większych czy mniejszych ingerencji chirurgicznych, czasem borykamy się z chorobami przewlekłymi lub jesteśmy obciążeni jakąś chorobą genetycznie. Życie jednego człowieka i jego historia medyczna to setki tysięcy danych gromadzone latami. Są to przede wszystkim daty, wiek pacjenta, podawane leki, występujące symptomy, czas rekonwalescencji, zdjęcia rentgenowskie, obraz USG, informacje o szczepieniach, wyniki badań, wyniki z urządzeń medycznych.

‍

‍

Do tego dochodzą dane ze wszystkich narzędzi prywatne, takich jak zegarki, opaski i inne, które pozwalają, monitorować stan naszego dobrostanu cały dzień, bez przerwy. Co monitorują? Np. pomiary tętna, ciśnienia krwi, temperatury i wiele wiele innych. Zegarki pewnej znanej korporacji, już dziś są bogate w funkcje powiadomienia o arytmii. Zegarek ten co pewien czas bada tętno użytkownika, jeśli wykryje arytmię, powiadamia go, bo takowa może świadczyć np. o migotaniu przedsionków. No 999 w zegarku. A propos numerów alarmowych. Niezwykle ważnym udogodnieniem jest crossowwanie użytkowników w ramach Smart Watchów czy po prostu smartfonów. Powszechna jest dziś funkcja, która pozwala wygenerować wiadomość ostrzegającą, że bliska Ci osoba wykręciła np. nr 112.

‍

Ale wracają do Machine Learning.

‍

W medycynie taki mix danych, pochodzący z różnych źródeł, jest niezwykle cenny.

Z jednej strony mamy dane przesyłane z urządzeń, które model jest w stanie zinterpretować jako np. zagrażające życiu. Są one realnym system wczesnego ostrzegania o przypadkach nagłych. Z drugiej strony mamy powiększająca się baza medycznych danych:

- informacji o przypadkach chorobowych,

- opisy zdjęć,

- wyników badań,

i coraz lepsze i bardziej zautomatyzowane ich analizowanie. Wszystkie te udogodnienia dają lekarzom, to co najważniejsze, czyli czas, na wcześniejszą diagnozę, rozpoznanie.

‍

Co dziś wykorzystujemy w medycynie z szeroko pojętego obszaru Big Data i Machine Learning?

‍

Diagnozowanie i przewidywanie chorób
Zarządzanie danymi medycznymi

Monitorowanie pacjentów w czasie rzeczywistym
Zarządzanie danymi i analityka Big Data w ramach systemów opieki zdrowotnej

‍

Firmy technologiczne prześcigają się w pomysłach. Sami proponujemy naszym klientom zróżnicowane rozwiązania technologiczno-naukowe. Przyjrzymy się kilku konkretnym przypadkom.

‍

DIAGNOSTYKA

‍

Jeśli chodzi o diagnostykę warto przyjrzeć się tym kilku przypadkom ze świata:

‍

- Model typu CheXNet, CheXNeXt, CheXpert − pozwala na analizę zdjęć rentgenowskich. Specjaliści opracowali w nich specjalny algorytm, który może wykrywać zapalenie płuc na podstawie zdjęć rentgenowskich klatki piersiowej na poziomie przewyższającym praktykujących radiologów.

− wykorzystanie konwolucyjnych sieci neuronowych (CNN) do klasyfikacja zmian skórnych, czyli analiza zmian skórnych na bazie setek tysięcy dostępnych obrazów ze zmianami chorobowymi

− analiza zdjęć dna oka przy wykrywaniu retinopatii cukrzycowej, niezwykle perspektywiczne badanie, ma wysoki wskaźnik wykrywania podatności pacjenta na utratę wzroku związanego z cukrzycą.

− Analiza badań histopatologicznych węzłów chłonnych. Patolodzy wspomagani przez algorytm wykazali wyższą dokładność, niż algorytm lub sam patolog. W szczególności pomoc algorytmu znacznie zwiększyła czułość wykrywania mikroprzerzutów (91% vs. 83%, P=0,02)

‍

To tylko kilka przykładów, a jednak pokazują one realne i wymierne efekty wykorzystania uczenia maszynowego.

‍

Drugim bardzo ważnym obszarem jest prognostyka.

‍

PROGNOSTYKA

‍

Tutaj oczywiście gra rozgrywa się o jak najlepsze przewidywanie potencjalnych “problemów”. Specjaliści z Data Science z naszej firmy obserwują trendy światowe i mocno rekomendują wykorzystanie różnych modeli ML i DL w ramach procesów usprawniających zarządzanie danymi w szpitalach, placówkach medycznych i innych powiązanych podmiotach. O czym dokładnie mowa?

‍

Np. o modelach przewidujących potencjalne problemy zdrowotne pacjenta, na podstawie jego historii medycznej. Mowa tu o szacowaniu takich ryzyk jak udar mózgu, czy choroba serca. To duża rzecz dla profilaktyki, która jak wiemy mocno w Polsce kuleje. Na tapetę można wziąć np. cukrzycę. Choruje na nią 2,7 miliona Polaków, a 550 tysięcy z nich nie jest świadomych rozwijającej się choroby. Co 10 sekund diagnozuje się cukrzycę na świecie. W Polsce mamy bardzo wysoki odsetek powikłań po cukrzycy, z przypadkami amputacji kończyn czy utraty wzroku u pacjentów. Wyzwań jest zatem bardzo dużo. Jednak stworzenie adekwatnych modeli, wspartych o zastosowanie dodatkowych metod tj. drzewa decyzyjne, lasy losowe czy modele grupowe (ang. ensemble models) zapewniające interpretowalność wyników, pokazuje w jak przełomowych momencie medycznym i naukowym jesteśmy. Bezpośrednio bowiem współpraca maszyny i człowieka realnie może wpłynąć na mniejszą śmiertelność, a na pewno na przyspieszenie procesów analizy problemów zdrowotnych.

‍

Dość zaawansowane modele, to modele przetrwania i modele hazardowe – określające ryzyko choroby/zgonu w funkcji czasu oraz systemy rekomendacyjne, wspierające lekarza podczas kontaktu z pacjentem, wykorzystujące ideę „sztucznych bliźniaków”.

‍

Pierwsze z nich znane są od lat 50-tych. “Analiza przeżycia jest gałęzią statystyki (lub biostatystyki) obejmującą metody badania procesów, których obiektem jest czas, jaki upłynie do wystąpienia pewnego zdarzenia np. śmierć pacjenta.

‍

Główne pytania, na jakie taka analiza przeżycia pomogłaby udzielić odpowiedzi to:

• Jaka część populacji przetrwa pewien okres czasu?

• Jak długo będą żyć ci, którzy przetrwają?

• Czy należy brać pod uwagę więcej niż jeden czynnik sprzyjający niepowodzeniu?

• Jakie określone okoliczności bądź cechy charakterystyczne badanego obiektu wpływają na szanse przetrwania?”*

‍

Drugi model opierający się na tzw. sztucznych lub cyfrowych bliźniakach to funkcja, która pozwala na tworzenie wirtualnego modelu pacjenta. Sztuczne Bliźniaki są bezpiecznym środowiskiem do testowania wskazań medycznych, dalszych procesów leczenia, wpływu leków. Pozwalają wykryć problemy, pozostawiając wystarczająco dużo czasu na dokonanie niezbędnych poprawek w diagnozie lub farmakologii czy zastosowanie właściwych procedur.

‍

Jakie wyzwania stoją zatem przed Nami.

Niezwykle ważne jest oczywiście przygotowanie reprezentacyjnego zbioru danych, uwzględniających istotne medycznie wyniki badań i dane demograficzne. Proces uczenia musi być zbudowany tak, aby minimalizował/maksymalizował odpowiednio dobrany współczynnik oceniający działanie modelu (jednocześnie dając możliwość porównania z innymi metodami / badaniami). Dotyczy to też samej interpretacji modelu, czyli która zmienna objaśniająca (np. wiek czy ciśnienie krwi) była istotna i w jakim stopniu.

‍

Najważniejsze i warte podkreślenia jest to, że wszędzie tam gdzie istnieje jakakolwiek wątpliwość - głos decydujący powinien/będzie mieć lekarz.

‍

PODSUMOWANIE

‍

Wszystko to brzmi naprawdę na działania z wielkim potencjałem. Są jakieś obawy? Tak. Jak zawsze przy wdrażaniu nowych metod działania. Trzeba wymienić choćby:

- brak adekwatnej legislacji - za szybkim rozwojem AI nie nadąża legislacja, w tym kwestie własności intelektualnej i odpowiedzialności prawnej,

- jak zapanować nad prywatnością i bezpieczeństwo danych pacjentów (RODO),

- pojawiają się też obawy etyczne ze strony lekarzy oraz pacjentów.

‍

Na plus oczywiście należy podkreślić:

- odciążenie lekarza,

- automatyzacja i ujednolicenie procesów,

- minimalizacja błędów.

‍

Warto mieć z tyłu głowy ten bilans zysków i strat. Odwrotu z tej technologicznej drogi raczej już nie ma. Musimy tylko jako firmy oferujące technologie, modele ML i DL, rozwiązania IT, stanąć na wyżynach transparentności i ścisłej kooperacji z pacjentami i lekarzami. Powinniśmy też, szczególnie pacjentów i lekarzy, oswajać z samą technologią. Dużo teraz bowiem błędnych i krzywdzących informacji np. o Sztucznej Inteligencji.

Jak będzie wyglądała zatem przyszłość medycyny? Miejmy nadzieje, że zdobycze technologii pomogą wydłużyć średnią długość, ale też i jakość życia człowieka na ziemi. Może wkrótce coraz więcej będzie na naszym globie błękitnych stref 😉oby to się udało ☺️

‍

Zachęcamy Was do śledzenia naszego bloga i zakładki case study, gdzie pokazujemy i opisujemy inne przykłady związane z wykorzystaniem Machine Learning w naszej firmie.

‍

Linki poniżej:

https://www.jellytech.com.pl/post/uczenie-maszynowe-statki-i-porty?lang=PL

https://www.jellytech.com.pl/case-study/aplikacja-do-zarzadzania-transportem-morskim?lang=PL

‍

*za Agnieszka Deszyńska (Kraków) Model hazardów proporcjonalnych Coxa MATEMATYKA STOSOWANA TOM 13/54 2011

‍

Galeria zdjęć

No items found.

Wideo

Back to previous site

big data and ml - application in medicine

Magdalena Piątkowska

October 18, 2023

Surgeries performed with the support of hologram images of the patient's internal organs, models that calculate the risk of cancer or diabetes, a model that can assess a person's skin lesions and estimate whether they are already lesions. This is not science fiction - it is the present day. It seems that medicine and technology have always gone very much hand in hand. Now this tandem has accelerated particularly strongly. Why?

Present time

‍

Who hasn't been to the doctor at least once? We are well aware that even the simplest cold requires taking a history from a doctor and writing a possible prescription. Throughout our lives we make a great many medical appointments, whether routine or emergency. We need major or minor surgical interventions, sometimes we struggle with chronic illnesses or are genetically burdened with a disease. One person's life and medical history is hundreds of thousands of data collected over years. These include dates, the patient's age, medications administered, symptoms experienced, recovery time, X-rays, ultrasound images, vaccination information, test results, results from medical devices.

‍

‍

Added to this are all the so-called "private" tools, such as watches, wristbands and other devices that allow us to monitor our state of wellbeing all day, without interruption. By this I mean measurements of heart rate, blood pressure, temperature and much more. The watches of a certain well-known corporation, are already rich in arrhythmia notification functions. The watch checks the wearer's heart rate from time to time and, if it detects an arrhythmia, notifies the wearer, as this could indicate atrial fibrillation, for example. 999 in the watch. Speaking of allamour numbers. An extremely important convenience is the crossover of users within Smart Watches or simply smartphones. A function that allows you to generate a message alerting you that a loved one has dialled 112, for example, is now commonplace.

‍

‍
But back to Machine Learning.
In medicine, such a mix of data, coming from different sources, is extremely valuable.

‍
On the one hand, we have data sent from devices that the model is able to interpret as, for example, life-threatening. They are a viable early warning system for emergency cases. On the other hand, we have a growing medical database:
- information on disease cases,
- descriptions of photographs,
- test results,
and increasingly better and more automated analysis of them. All these facilities give doctors what is most important, namely the time to make an earlier diagnosis, sometimes for immediate action.

So what are we already using in medicine today from the broad area of Big Data and Machine Learning?

- Diagnosis and prediction of diseases,
- Medical data management,
- Real-time patient monitoring,
- Data management and Big Data analytics within healthcare systems,

Technology companies are outdoing themselves with ideas. We ourselves offer our clients diverse technology and science solutions. We will look at a few specific cases.

‍

DIAGNOSTICS

As far as diagnostics is concerned, it is worth looking at a few examples of the use of Machine Learning in the medical process from the world, although we know that Polish companies are also investing hugely in this area.

- A model such as CheXNet, CheXNeXt, CheXpert - allows the analysis of X-ray images. In these, specialists have developed a special algorithm that can detect pneumonia from chest X-rays at a level that surpasses practising radiologists.
- the use of convolutional neural networks (CNNs) for lesion classification, i.e. the analysis of skin lesions based on the hundreds of thousands of available lesion images
- analysis of fundus photographs in the detection of diabetic retinopathy, an extremely prospective study, has a high rate of detecting a patient's susceptibility to diabetes-related visual loss.
- Analysis of histopathological examinations of lymph nodes. Pathologists assisted by the algorithm showed higher accuracy than either the algorithm or the pathologist alone. In particular, the assistance of the algorithm significantly increased the sensitivity of detecting micronodules (91% vs. 83%, P=0.02).

These are just a few examples, yet they show the real and measurable effects of using machine learning in medicine.

The second very important area is prognostics.

PROGNOSTICS

Here, of course, the game is played for the best possible prediction of potential 'problems'. Our company's Data Science specialists observe global trends and strongly recommend the use of various ML and DL models as part of processes to improve data management in hospitals, medical facilities and other related entities. What exactly are they referring to?

‍

For example, models that predict a patient's potential health problems based on their medical history. We are talking about estimating risks such as stroke or the risk of heart disease. This is a big thing for prevention, which, as we know, is severely lacking in Poland. Diabetes, for example, can be taken as an example. 2.7 million Poles suffer from it, and 550 000 of them are unaware of the disease they are developing. Diabetes is diagnosed every 10 seconds in the world. In Poland, we have a very high rate of complications from diabetes, with cases of amputation of limbs or loss of sight in patients. So the challenges are many. However, the creation of adequate models, supported by the use of additional methods, such as decision trees, random forests or ensemble models, which ensure the interpretability of results, shows what a medical and scientific breakthrough we are at. For directly, the cooperation of a machine and a human being can make a real difference in reducing mortality and certainly in speeding up the process of analysing health problems.

Quite advanced models, but also worth noting, are survival models and gambling models - determining the risk of illness/death as a function of time or recommendation systems supporting the doctor during contact with the patient using the idea of 'artificial twins'.

The first of these have been known since the 1950s. "Survival analysis is a branch of statistics (or biostatistics) that includes methods for studying processes whose object is the time that elapses before a certain event occurs, e.g. the death of a patient.

The main questions that such survival analysis would help to answer are:
- What proportion of the population will survive a certain period of time?
- How long will those who survive live?
- Should more than one factor favouring failure be taken into account?
- What specific circumstances or characteristics of the object under study affect the chances of survival? " *

The second model based on so-called artificial or digital twins is a function that allows the creation of a virtual model of a patient. Artificial Twins are a safe environment for testing medical indications, further treatment processes, the impact of drugs. They allow problems to be detected, leaving enough time to make the necessary corrections or apply the right procedures.

‍

So what challenges do we face.

Clearly, it is extremely important to prepare a representative dataset that includes medically relevant test results and demographic data. The learning process must be structured in such a way that it minimises/maximises an appropriately selected coefficient to assess the performance of the model (while also providing the possibility of comparison with other methods/ studies), This also applies to the interpretation of the model itself, i.e. which explanatory variable (e.g. age or blood pressure) was significant and to what extent.

Most importantly and worth emphasising is that wherever there is any doubt - the doctor should/will have the deciding vote.

SUMMARY

All this really sounds like action with great potential. Are there any concerns? Yes. As always with the implementation of new methods of action. These need to be mentioned:
- lack of adequate legislation - the rapid development of AI has not been followed by legislation, including issues of intellectual property and legal liability,
- how to control privacy and security of patient data (RODO),
- there are also ethical concerns from doctors and patients.

On the plus side, of course, the following should be highlighted:
- relieving the doctor's workload,
- automation and standardisation of processes,
- minimisation of errors.

It is worth keeping this balance of gains and losses in the back of your mind. There is unlikely to be any turning back from this technological path. All we have to do is, as companies offering technologies, models and IT solutions, to stand on the heights of transparency and close cooperation with patients and doctors. We need to familiarise patients and doctors in particular with the technology itself. There is a lot of misinformation and misinformation out there, for example about Artificial Intelligence.

So what will the future of medicine look like? Let's hope that the achievements of technology will help to extend the average length, but also the quality of human life on earth. Maybe soon there will be more and more blue zones on our globe 😉 let's make it happen ☺️

‍

We encourage you to follow our blog and the case study tab, where we show and describe other examples related to the use of Machine Learning in our company.

Links below:

https://www.jellytech.com.pl/post/uczenie-maszynowe-statki-i-porty?lang=PL

https://www.jellytech.com.pl/case-study/aplikacja-do-zarzadzania-transportem-morskim?lang=PL

*za Agnieszka Deszyńska (Krakow) Cox proportional hazards model MATEMATYKA STOSOWANA TOM 13/54 2011

‍

Gallery

No items found.