Это хороший вопрос. На результат анализа, несмотря на все меры стандартизации, будет влиять оборудование, на котором он сделан. Есть много разных гематологических анализаторов разных производителей. Они могут выдавать измерения с некоторыми колебаниями относительно друг друга. С другой стороны диагноз какого-либо заболевания от этого не зависит. То есть, если анализ плохой, то плохой, независимо в какой лаборатории он сделан. Чтобы лаборатория откровенно выдавала ошибочные данные это вряд ли, все же есть служба контроля. Но модель может быть все равно чувствительна, поэтому нужна внешняя валидация. Проверка моделей на данных из других медицинских центров, например.
В ML это не совсем так. Вполне можно и часто даже нужно комбинировать или изменять существующие переменные в наборе данных с помощью арифметических операций. Этот процесс известен как feature engineering. Создавая новые переменные, можно потенциально повысить производительность своей модели. Модели ML не обязательно должны логически объясняться (черный ящик), скорее наоборот. Часто логика, что убрать, а что оставить там не срабатывает. Так можно в итоге дойти до простого алгоритма на правилах. Даже в простой логистической регрессии я могу умножить одну переменную на другую, создав третью, и тем самым улучшив модель. Но я не исключаю возможность упрощений. Уже были убраны несколько параметров, которые были изначально. Но весь этот поиск, эксперименты и переобучение требует немало времени. Поэтому в новой версии, я думаю, это возможно, но не быстро.
Спасибо, обязательно учту ваши пожелания в продолжении темы, в новом посте. Сервис показал свою работоспособность в ходе строгой внутренней валидации. Мне нужны данные для внешней валидации, пока их нет в достаточном количестве.
Там немного другая история. Там был большой маркетинг, как в конце концов выяснилось, обман. За это уволили главу данного направления, а потом проект в первоначальном виде прикрыли. Суть проекта - выдавать врачам-онкологам рекомендации по лечению на основании данных из научных публикаций. На самом деле все рекомендации были клиническими рекомендациями одного из онкологических центров США (то есть просто написанные врачами). То есть Ватсон конечно искал информацию о лечении в Интернете в научных журналах, но рекомендациями не были заключения ИИ. Хотя маркетинг строился именно на ИИ. Это все в итоге вскрылось и проект провалился.
Спасибо. Здесь показатели исключительно общего анализа крови. Я вам как врач-гематолог быстрее скажу, что в ваших анализах так или не так). Но вот если развивать проект в сторону пользователей, то тестер был бы полезен с точки зрения юзабилити, вида информации, которая ему нужна и т.д. Но здесь также потребуется и IT поддержка в команду.
Тут скорее в перспективе проект для медиков (не гематологов). Вывод сделан специально сейчас в виде текстового сообщения. Конечно, все можно заменить формальными классами, к каждому из которых можно прикрутить любой текст рекомендаций. Если делать что-то для немедиков (да и для лабораторий), и превращать это в стартап, мне нужна IT поддержка.
Спасибо за поддержку! Действительно так, тут несколько областей знаний: медицина, статистика, машинное обучение и программирование. За отсутствием команды и собственной тяги к знаниям, делал все сам.
Спасибо! Там не одна модель на самом деле. На первом шаге модель №1 различает 3 класса анализов: норма, клинически не значимые отклонения (незначительные отклонения от нормы) и клинически значимые отклонения (признаки какой-то болезни, но не ясно какой). Если отклонения клинически значимые включается модель №2, которая уже пытается определить группу возможнных заболеваний. Есть еще модель №3, которая в группе "анемия" ищет только случаи с подозрением на дефицит железа. У каждой модели свои метрики эффективности. Точность (Accuracy) у всех примерно 0.98, остальные метрики для разных классов варьируют, но все вполне хорошие. Планирую написать статью в журнал, там все подробно опишу и /или при следующем апгрейде приложения добавлю описание.
По ОАК можно заподозрить некоторые группы заболеваний и очень редко какое-то конкретное заболевание. Это и делает сие творение. Окончательный диагноз можно поставить только путем специализированного обследования, которое может назначить врач-специалист. Это обследование можно дописывать как рекомендации, но эта информация в первую очередь будет для врача, а не для пациента.
Аналоги конечно же есть, но мы же не ездим на одних и тех же машинах и не пользуемся одними и теми же телефонами. К тому же эти аналоги часто потрогать руками нельзя. О полноценном продукте пока говорить рано, поэтому и про конкурентов не говорил.
Спасибо! Это лишь прототип. PCT в ОАК означает тромбокрит (по аналогии с гематокритом). Что касается абсолютных и относительных значений, то если что-то убрать, работает хуже. "Черный ящик" короче. Было много экспериментов, переменные не коллинеарны. Хотя согласен, что модель можно будет упростить в будущем.
Это хороший вопрос. На результат анализа, несмотря на все меры стандартизации, будет влиять оборудование, на котором он сделан. Есть много разных гематологических анализаторов разных производителей. Они могут выдавать измерения с некоторыми колебаниями относительно друг друга. С другой стороны диагноз какого-либо заболевания от этого не зависит. То есть, если анализ плохой, то плохой, независимо в какой лаборатории он сделан. Чтобы лаборатория откровенно выдавала ошибочные данные это вряд ли, все же есть служба контроля. Но модель может быть все равно чувствительна, поэтому нужна внешняя валидация. Проверка моделей на данных из других медицинских центров, например.
В ML это не совсем так. Вполне можно и часто даже нужно комбинировать или изменять существующие переменные в наборе данных с помощью арифметических операций. Этот процесс известен как feature engineering. Создавая новые переменные, можно потенциально повысить производительность своей модели. Модели ML не обязательно должны логически объясняться (черный ящик), скорее наоборот. Часто логика, что убрать, а что оставить там не срабатывает. Так можно в итоге дойти до простого алгоритма на правилах. Даже в простой логистической регрессии я могу умножить одну переменную на другую, создав третью, и тем самым улучшив модель. Но я не исключаю возможность упрощений. Уже были убраны несколько параметров, которые были изначально. Но весь этот поиск, эксперименты и переобучение требует немало времени. Поэтому в новой версии, я думаю, это возможно, но не быстро.
Спасибо, обязательно учту ваши пожелания в продолжении темы, в новом посте. Сервис показал свою работоспособность в ходе строгой внутренней валидации. Мне нужны данные для внешней валидации, пока их нет в достаточном количестве.
Не знаю. Может что-то не понравилость на стороне shiny сервера. Это вне моей власти)
Там немного другая история. Там был большой маркетинг, как в конце концов выяснилось, обман. За это уволили главу данного направления, а потом проект в первоначальном виде прикрыли. Суть проекта - выдавать врачам-онкологам рекомендации по лечению на основании данных из научных публикаций. На самом деле все рекомендации были клиническими рекомендациями одного из онкологических центров США (то есть просто написанные врачами). То есть Ватсон конечно искал информацию о лечении в Интернете в научных журналах, но рекомендациями не были заключения ИИ. Хотя маркетинг строился именно на ИИ. Это все в итоге вскрылось и проект провалился.
Favicon добавил, а вот по ошибке ничего сказать не смогу без понимания при каких условиях она наступила
Спасибо. Здесь показатели исключительно общего анализа крови. Я вам как врач-гематолог быстрее скажу, что в ваших анализах так или не так). Но вот если развивать проект в сторону пользователей, то тестер был бы полезен с точки зрения юзабилити, вида информации, которая ему нужна и т.д. Но здесь также потребуется и IT поддержка в команду.
Тут скорее в перспективе проект для медиков (не гематологов). Вывод сделан специально сейчас в виде текстового сообщения. Конечно, все можно заменить формальными классами, к каждому из которых можно прикрутить любой текст рекомендаций. Если делать что-то для немедиков (да и для лабораторий), и превращать это в стартап, мне нужна IT поддержка.
Спасибо за поддержку! Действительно так, тут несколько областей знаний: медицина, статистика, машинное обучение и программирование. За отсутствием команды и собственной тяги к знаниям, делал все сам.
IG - незрелые гранулоциты. Это всё параметры автоматического гематологического анализатора по общему анализу крови. Оффлайн версии нет.
Спасибо! Там не одна модель на самом деле. На первом шаге модель №1 различает 3 класса анализов: норма, клинически не значимые отклонения (незначительные отклонения от нормы) и клинически значимые отклонения (признаки какой-то болезни, но не ясно какой). Если отклонения клинически значимые включается модель №2, которая уже пытается определить группу возможнных заболеваний. Есть еще модель №3, которая в группе "анемия" ищет только случаи с подозрением на дефицит железа. У каждой модели свои метрики эффективности. Точность (Accuracy) у всех примерно 0.98, остальные метрики для разных классов варьируют, но все вполне хорошие. Планирую написать статью в журнал, там все подробно опишу и /или при следующем апгрейде приложения добавлю описание.
Я был в числе 4 выбранных номинантов со воими проктами. Трем дали диплом и статуэтку, гематологу из Москвы еще и денежный приз.
По ОАК можно заподозрить некоторые группы заболеваний и очень редко какое-то конкретное заболевание. Это и делает сие творение. Окончательный диагноз можно поставить только путем специализированного обследования, которое может назначить врач-специалист. Это обследование можно дописывать как рекомендации, но эта информация в первую очередь будет для врача, а не для пациента.
Я ее не рисовал, а просто скачал из Интернета :)
Никаких данных эта страничка не собирает. Да, я врач, просто у меня есть и другие интересы. Вот моя группа в вк: https://vk.com/luchininmd
Пока нет, можете оставить норму по умолчанию
Аналоги конечно же есть, но мы же не ездим на одних и тех же машинах и не пользуемся одними и теми же телефонами. К тому же эти аналоги часто потрогать руками нельзя. О полноценном продукте пока говорить рано, поэтому и про конкурентов не говорил.
Спасибо! Это лишь прототип. PCT в ОАК означает тромбокрит (по аналогии с гематокритом). Что касается абсолютных и относительных значений, то если что-то убрать, работает хуже. "Черный ящик" короче. Было много экспериментов, переменные не коллинеарны. Хотя согласен, что модель можно будет упростить в будущем.