О канале
Я училась на врача 8 лет, прошла практику в Научном центре неврологии - это сильно изменило моё представление о медицине. Сначала я верила, что если буду хорошо учиться и делать всё правильно, то смогу помогать людям.
А потом в стационаре увидела, что у многих пациентов такие состояния, для которых у нас даже нет названия. Мы не то, что не знаем, как это лечить, мы едва ли можем это идентифицировать. Единственная надежда для таких пациентов была в крошечной информации в статьях с описанием похожих клинических случаев.
Информации было катастрофически мало, а доступные на тот момент инструменты не позволяли анализировать такие состояния в достаточном масштабе. Чего и говорить - одной из задач, которую мне предстояло выполнить, была “перепечатать результаты анализов в excel таблицу для научной работы”.
Я могла остаться в аспирантуре, но выбрала область машинного обучения, где вместо одной научно-исследовательской работы можно проводить множество экспериментов. Хотя технологии в то время не получили широкого распространения в медицинской среде, я уже видела, как они могут изменить качество помощи, которую получит пациент.
Например, в 2021 году я параллельно работала удаленно: как невролог, консультируя пациентов по всей России, и как ML-разработчик. Благодаря опыту из Научного центра неврологии, я могла делиться с пациентами знаниями о редких патологиях и способах лечения, которые могли бы быть им недоступны из-за невозможности обратиться в федеральный центр в Москве.
Мотивация этого канала - рассказать о способах и инструментах работы с данными, которые могут сделать сложную и ответственную работу врача легче и содержательнее. И приблизят нас к главной цели использования технологий в медицине - продлению человеческой жизни.
По любым вопросам @zhuravlstrogo
Я училась на врача 8 лет, прошла практику в Научном центре неврологии - это сильно изменило моё представление о медицине. Сначала я верила, что если буду хорошо учиться и делать всё правильно, то смогу помогать людям.
А потом в стационаре увидела, что у многих пациентов такие состояния, для которых у нас даже нет названия. Мы не то, что не знаем, как это лечить, мы едва ли можем это идентифицировать. Единственная надежда для таких пациентов была в крошечной информации в статьях с описанием похожих клинических случаев.
Информации было катастрофически мало, а доступные на тот момент инструменты не позволяли анализировать такие состояния в достаточном масштабе. Чего и говорить - одной из задач, которую мне предстояло выполнить, была “перепечатать результаты анализов в excel таблицу для научной работы”.
Я могла остаться в аспирантуре, но выбрала область машинного обучения, где вместо одной научно-исследовательской работы можно проводить множество экспериментов. Хотя технологии в то время не получили широкого распространения в медицинской среде, я уже видела, как они могут изменить качество помощи, которую получит пациент.
Например, в 2021 году я параллельно работала удаленно: как невролог, консультируя пациентов по всей России, и как ML-разработчик. Благодаря опыту из Научного центра неврологии, я могла делиться с пациентами знаниями о редких патологиях и способах лечения, которые могли бы быть им недоступны из-за невозможности обратиться в федеральный центр в Москве.
Мотивация этого канала - рассказать о способах и инструментах работы с данными, которые могут сделать сложную и ответственную работу врача легче и содержательнее. И приблизят нас к главной цели использования технологий в медицине - продлению человеческой жизни.
По любым вопросам @zhuravlstrogo
❤5🤝1
Персонализированная медицина
Я действую строго по клиническим рекомендациям - обследования, триптаны, дневник головной боли, и всё без эффекта.
Наверное многие врачи в практике замечали, что клинические рекомендации не работают для некоторых пациентов. Потому что принципы доказательной медицины созданы для “среднестатистического” случая. А на приёме - конкретный человек с индивидуальными особенностями и бэкграундом жизни.
Чтобы получить результат, нужно выйти за рамки шаблонов и начать собирать реальные данные из реальной клинической практики.
Начинаем разбираться вместе с пациенткой:
🔻 дневник показывает, что приступы привязаны к менструальному циклу → менструальная мигрень
🔻 из анамнеза жизни выясняется хроническая бессонница из-за работы → триггер, который не уберёт ни один препарат
🔻НПВС принимала >15 дней в месяц → есть компонент лекарственно-индуцированной головной боли
В этом и заключается подход персонализированной медицины:
🔸верифицировать - подтвердить подтип (менструальная мигрень + абузусный компонент), а не лечить просто «мигрень»
🔸 встроить в модель - учесть цикл, паттерн сна и лекарственную нагрузку как измеряемые переменные
🔸 корректировать терапию и возвращать результат в систему - отменить НПВС (разорвать абузусный цикл), назначить профилактическое лечение мигрени, сформировать гигиену сна
Это уже не следование пунктам, а персонализированное управление рисками.
Клинические рекомендации полезны, как ориентир.
Их обновляют раз в несколько лет, тогда как пациенты и препараты меняются каждый день.
Без анализа реальной практики мы продолжаем лечить не текущего, а «прошлогоднего» пациента.
Будущее - в динамичных системах, способных учиться на каждом случае и совершенствоваться с каждым новым взаимодействием.
«❤️», было полезно
Канал: @assistent_vracha
Помню на приёме женщину 42 лет с мигренозными головными болями около 3-4 раз в неделю на протяжении последних 1,5 месяцев. Терапевт назначил НПВС, из-за недостаточной эффективности направил ко мне, к неврологу.
Я действую строго по клиническим рекомендациям - обследования, триптаны, дневник головной боли, и всё без эффекта.
Наверное многие врачи в практике замечали, что клинические рекомендации не работают для некоторых пациентов. Потому что принципы доказательной медицины созданы для “среднестатистического” случая. А на приёме - конкретный человек с индивидуальными особенностями и бэкграундом жизни.
Чтобы получить результат, нужно выйти за рамки шаблонов и начать собирать реальные данные из реальной клинической практики.
Начинаем разбираться вместе с пациенткой:
🔻 дневник показывает, что приступы привязаны к менструальному циклу → менструальная мигрень
🔻 из анамнеза жизни выясняется хроническая бессонница из-за работы → триггер, который не уберёт ни один препарат
🔻НПВС принимала >15 дней в месяц → есть компонент лекарственно-индуцированной головной боли
В этом и заключается подход персонализированной медицины:
🔸верифицировать - подтвердить подтип (менструальная мигрень + абузусный компонент), а не лечить просто «мигрень»
🔸 встроить в модель - учесть цикл, паттерн сна и лекарственную нагрузку как измеряемые переменные
🔸 корректировать терапию и возвращать результат в систему - отменить НПВС (разорвать абузусный цикл), назначить профилактическое лечение мигрени, сформировать гигиену сна
Это уже не следование пунктам, а персонализированное управление рисками.
Клинические рекомендации полезны, как ориентир.
Их обновляют раз в несколько лет, тогда как пациенты и препараты меняются каждый день.
Без анализа реальной практики мы продолжаем лечить не текущего, а «прошлогоднего» пациента.
Будущее - в динамичных системах, способных учиться на каждом случае и совершенствоваться с каждым новым взаимодействием.
«❤️», было полезно
Канал: @assistent_vracha
❤5🤔1
Данные как основа победы над болезнями
Вопрос: многое ли изменилось с того времени?
В обоих примерах решающую роль сыграла не технология, а регулярный, точный сбор информации врачами.
Сноу писал адреса, врачи-инфекционисты заполняли истории болезни. Без мощных компьютеров, без искусственного интеллекта. Только факты в документации, всё, что происходит с пациентом.
Каждый день врачи работают с данными.
Главный вопрос: фиксируются ли они так, чтобы из этой информации могла родиться новая победа над болезнью?
«❤️», было полезно
Канал: @assistent_vracha
Лондон, 1854 год. Холера уносит жизни тысяч людей. Общество считает, что болезнь распространяется воздушным путём. Врач Джон Сноу сомневается и начинает вести ручной учёт мест жительства умерших. Так формируется карта распространения заболевания, на которой наглядно видно, что все случаи связаны с водяной колонкой на Брод-стрит.
Сноу убеждает власти закрыть колонку и останавливает эпидемию. Заметки одного врача разрушили общепринятые представления о природе заболевания и спасли сотни жизней.
Вопрос: многое ли изменилось с того времени?
2013 год. Гепатит C десятилетиями считался пожизненным приговором, хроническая инфекция медленно вела к циррозу и раку печени. Перелом начался не с громкого открытия, а с рутины - массового учёта: ПЦР, генотип, схема лечения, достигнут ли SVR (исчез ли вирус после терапии). Тысячи записей врачей позволили создать прямые противовирусные препараты (DAA). При корректном применении такие схемы вылечивают более 95% пациентов.
В обоих примерах решающую роль сыграла не технология, а регулярный, точный сбор информации врачами.
Сноу писал адреса, врачи-инфекционисты заполняли истории болезни. Без мощных компьютеров, без искусственного интеллекта. Только факты в документации, всё, что происходит с пациентом.
Каждый день врачи работают с данными.
Главный вопрос: фиксируются ли они так, чтобы из этой информации могла родиться новая победа над болезнью?
«❤️», было полезно
Канал: @assistent_vracha
🔥5❤2
Проблема: единая мед карта пациента
Было бы конечно здорово открыть его электронную медицинскую карту (несмотря на то, что ЭМК находится в другом медицинском учреждении) и посмотреть на уже собранный анамнез, результаты обследования. Но единой базы нет - у каждой клиники своя карта, МИС, свой формат.
И мы начинаем с нуля: сбор жалоб, физикальное обследование, тропонин, общие клинические анализы, повторная ЭКГ. Не потому, что «врачи любят назначения», а потому что иначе будет небезопасно.
А иногда данные одного пациента из разных клиник вступают в конфликт. Пациент с хронической болезнью почек наблюдается в двух клиниках.
⚪️ Клиника A считает СКФ по CKD-EPI — 45 мл/мин/1,73 м² (стадия G3a).
⚪️ Клиника B считает по MDRD — 52 мл/мин/1,73 м² (стадия G2).
Оба значения называются «СКФ», оба корректны в своей системе. Стадия болезни - разная. Решения о частоте наблюдения и ограничениях по препаратам тоже разные.
В США Stewart et al., 2010 посчитали, что из-за несовместимых ЭМК при переводе пациентов между стационарами в 32% случаев были дубли тестов (повтор в течение 12 часов), и в 20% - хотя бы один дубль был клинически не показан.
Вывод для практики: единая электронная медицинская карта - это не просто IT-проект. Это путь к сокращению задержек, дубликатов и ошибок, когда у пациента не «пять разных историй болезни», а одна.
«❤️», было полезно
Канал: @assistent_vracha
Приёмное отделение, 02:10. Пациент, прижимая руку к груди и морщась от боли, уже потеряв все силы на дружелюбный диалог, чуть ли не кричит: «Вчера сдавал тропонин, ЭКГ - сказали, что всё нормально».
Было бы конечно здорово открыть его электронную медицинскую карту (несмотря на то, что ЭМК находится в другом медицинском учреждении) и посмотреть на уже собранный анамнез, результаты обследования. Но единой базы нет - у каждой клиники своя карта, МИС, свой формат.
И мы начинаем с нуля: сбор жалоб, физикальное обследование, тропонин, общие клинические анализы, повторная ЭКГ. Не потому, что «врачи любят назначения», а потому что иначе будет небезопасно.
А иногда данные одного пациента из разных клиник вступают в конфликт. Пациент с хронической болезнью почек наблюдается в двух клиниках.
⚪️ Клиника A считает СКФ по CKD-EPI — 45 мл/мин/1,73 м² (стадия G3a).
⚪️ Клиника B считает по MDRD — 52 мл/мин/1,73 м² (стадия G2).
Оба значения называются «СКФ», оба корректны в своей системе. Стадия болезни - разная. Решения о частоте наблюдения и ограничениях по препаратам тоже разные.
В США Stewart et al., 2010 посчитали, что из-за несовместимых ЭМК при переводе пациентов между стационарами в 32% случаев были дубли тестов (повтор в течение 12 часов), и в 20% - хотя бы один дубль был клинически не показан.
Вывод для практики: единая электронная медицинская карта - это не просто IT-проект. Это путь к сокращению задержек, дубликатов и ошибок, когда у пациента не «пять разных историй болезни», а одна.
«❤️», было полезно
Канал: @assistent_vracha
❤4🔥2
Проблема: онтологии
Представьте, что Вы ищете информацию по сахарному диабету 1 типа. Насколько вероятно, что в выдаче поиска окажется подтип LADA, аутоиммунный диабет у взрослых?
Ответ зависит от того, как организованы данные. Потому что «LADA» - это не просто термин, он живёт в иерархии, где находится на один уровень ниже, чем «сахарный диабет 1 типа».
Допустим, что с иерархией мы разобрались. Но остаются различия в стандартах и подходах в зависимости от страны или системы.
Пример из научных данных:
На практике:
Для того, чтобы не терять смысл за обозначениями, существуют онтологии. Они определяют не только названия, но и связи между понятиями:
🔸is-a (подтип - надтип)
🔸part-of (часть - целое)
🔸контекст
🔸уровень детализации
Требования к организации и структуре хранения данных - не формальность.
Это основа для сравнения, поиска и принятия безопасных клинических решений.
В следующих постах я подробнее раскрою тему применения онтологий в медицине.
«❤️», было полезно
Канал: @assistent_vracha
Представьте, что Вы ищете информацию по сахарному диабету 1 типа. Насколько вероятно, что в выдаче поиска окажется подтип LADA, аутоиммунный диабет у взрослых?
Ответ зависит от того, как организованы данные. Потому что «LADA» - это не просто термин, он живёт в иерархии, где находится на один уровень ниже, чем «сахарный диабет 1 типа».
Допустим, что с иерархией мы разобрались. Но остаются различия в стандартах и подходах в зависимости от страны или системы.
Пример из научных данных:
немецкий медицинский центр использует термин «Herzinsuffizienz».
При экспорте его преобразуют в ICD-10: I50.
В результате этот код объединяет систолическую и диастолическую формы сердечной недостаточности, хотя в исследовании рассматривался лишь HFrEF — смысл исследования был искажён.
На практике:
при сердечной недостаточности со сниженной фракцией выброса (< 40%) SGLT2-ингибитор рекомендован независимо от наличия диабета.
В системе A фракция выброса хранится как число: «35».
В системе B - как категория: «ФВ 35–40%».
В системе C - только диагностический код I50.1, без числового значения ФВ вообще.
Правило проверяет «ФВ < 40» и находит ответ только в системе A.
Пациенты из систем B и C рекомендацию не получают, хотя клинически ничем не отличаются.
Для того, чтобы не терять смысл за обозначениями, существуют онтологии. Они определяют не только названия, но и связи между понятиями:
🔸is-a (подтип - надтип)
🔸part-of (часть - целое)
🔸контекст
🔸уровень детализации
Требования к организации и структуре хранения данных - не формальность.
Это основа для сравнения, поиска и принятия безопасных клинических решений.
В следующих постах я подробнее раскрою тему применения онтологий в медицине.
«❤️», было полезно
Канал: @assistent_vracha
❤6✍1
Проблема: неожиданное поведение модели
Представьте, Вы получили результат лабораторного исследования без системы внешнего контроля качества. Отсутствует калибровка, нет нормативов для Вашей группы пациентов. Будете ли доверять таким данным?
Вот такой подход может использоваться при внедрении систем искусственного интеллекта.
Что может пойти не так?
Если ИИ терпит сбой из-за символов в тексте, то что будет, когда изменится описание пациента, формат исследования или качество детализации?
Более половины медицинских решений на основе ИИ в США (а их около 950) были отозваны FDA в течение первого года использования. У большинства таких устройств не было проведено клинических испытаний.
Проблема не в самой технологии. А в том, как тестировать ИИ. Необходимо предъявлять к нему такие же строгие требования как лабораторной технике или как к самолётам, например.
Для примера приведём инструмент анализа ЭКГ с помощью ИИ. До начала анализа необходимо:
🔸собрать образцы ЭКГ с установленными диагнозами
🔸протестировать модель - сколько состояний выявила, сколько пропустила, сколько и какого рода ошибок было
🔸определить порог уверенности - при каком уровне модели можно “доверять”
🔸проверить работу на разных группах - пол, возраст, тип оборудования и т.д.
🔸проводить повторный контроль регулярно, как контроль качества в лаборатории
Внедрение ИИ ничем не отличается от внедрения других инструментов.
Без калибровки и проверки на конкретных данных это не помощник, а кот в мешке.
«❤️», было полезно
Канал: @assistent_vracha
Представьте, Вы получили результат лабораторного исследования без системы внешнего контроля качества. Отсутствует калибровка, нет нормативов для Вашей группы пациентов. Будете ли доверять таким данным?
Вот такой подход может использоваться при внедрении систем искусственного интеллекта.
Что может пойти не так?
Учёные провели эксперимент: один и тот же вопрос предъявили нескольким ИИ-моделям. Затем заменили стандартные варианты ответов (A, B, C, D) на произвольные символы (§, ü, œ, #). Сам вопрос и правильные ответы остались прежними. В результате одна модель потеряла в качестве 25%, другая - 6%. Места между моделями поменялись. Лучшая модель до эксперимента оказалась среди средних.
Если ИИ терпит сбой из-за символов в тексте, то что будет, когда изменится описание пациента, формат исследования или качество детализации?
Более половины медицинских решений на основе ИИ в США (а их около 950) были отозваны FDA в течение первого года использования. У большинства таких устройств не было проведено клинических испытаний.
Проблема не в самой технологии. А в том, как тестировать ИИ. Необходимо предъявлять к нему такие же строгие требования как лабораторной технике или как к самолётам, например.
Для примера приведём инструмент анализа ЭКГ с помощью ИИ. До начала анализа необходимо:
🔸собрать образцы ЭКГ с установленными диагнозами
🔸протестировать модель - сколько состояний выявила, сколько пропустила, сколько и какого рода ошибок было
🔸определить порог уверенности - при каком уровне модели можно “доверять”
🔸проверить работу на разных группах - пол, возраст, тип оборудования и т.д.
🔸проводить повторный контроль регулярно, как контроль качества в лаборатории
Внедрение ИИ ничем не отличается от внедрения других инструментов.
Без калибровки и проверки на конкретных данных это не помощник, а кот в мешке.
«❤️», было полезно
Канал: @assistent_vracha
❤5🤯1
Анонс мастер-класса «Не навреди»: как получать от ИИ точные и безопасные ответы
📅 27 марта
🕕 18:00–19:00
📍 Оффлайн в Кибердоме, Москва, 2-я Звенигородская, 12с18
Бесплатно, всего10 5 мест по регистрации
ИИ может помогать врачу, а может уверенно ошибаться.
И разница часто зависит не от модели, а от того, как Вы с ней работаете.
Даже небольшое изменение в формулировке запроса может привести к неожиданному результату.
На мастер-классе мы разберём, как снизить количество ошибок, “галлюцинаций” и слабых ответов ИИ и получать результаты, на которые можно опираться в работе.
Что Вы получите:
✔ научитесь получать верифицируемые ответы вместо “угадывания”
✔ сможете контролировать логику ответа ИИ, а не просто задавать вопросы
✔ снизите риск недостоверных и клинически опасных ответов
✔ получите готовые настройки и шаблоны для работы с "GPT"-чатами
Мастер-класс ориентирован на врачей. Все объяснения - на доступном языке с привязкой к клинической практике, без технической перегрузки.
Ведущая - разработчик в области ИИ с опытом создания и внедрения решений в таких компания как Сбер, ВкусВилл, ВТБ и др.
Будет возможность обсудить свои кейсы, задать вопросы и провести время в прекрасном пространстве Кибердома*
*изображение соответсвует действительности, не сгенерировано ИИ 🙂
До встречи! ❤️
По всем вопросам: @zhuravlstrogo
📅 27 марта
🕕 18:00–19:00
📍 Оффлайн в Кибердоме, Москва, 2-я Звенигородская, 12с18
Бесплатно, всего
ИИ может помогать врачу, а может уверенно ошибаться.
И разница часто зависит не от модели, а от того, как Вы с ней работаете.
Даже небольшое изменение в формулировке запроса может привести к неожиданному результату.
На мастер-классе мы разберём, как снизить количество ошибок, “галлюцинаций” и слабых ответов ИИ и получать результаты, на которые можно опираться в работе.
Что Вы получите:
Мастер-класс ориентирован на врачей. Все объяснения - на доступном языке с привязкой к клинической практике, без технической перегрузки.
Ведущая - разработчик в области ИИ с опытом создания и внедрения решений в таких компания как Сбер, ВкусВилл, ВТБ и др.
Будет возможность обсудить свои кейсы, задать вопросы и провести время в прекрасном пространстве Кибердома*
*изображение соответсвует действительности, не сгенерировано ИИ 🙂
До встречи! ❤️
По всем вопросам: @zhuravlstrogo
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5
Каких врачей ИИ заменит первыми?
Можно ответить на более простой вопрос: “Какие задачи ИИ заберёт у врача в первую очередь?”.
Это будет определяться просто: измерят, как врачи выполняют задачу Х, сравнят с ИИ - и там, где люди показывают более низкое качество, эти функции перейдут на ИИ. И мы, возможно, увидим довольно неожиданные цифры качества оказания медицинской помощи врачами - потому что раньше никто не проводил таких массовых измерений.
Почему я делаю такое сильное предположение?
Потому что врачи могут даже не знать о совершенных диагностических ошибках. Особенно если у них нет возможности увидеть, чем диагноз закончился со временем. Т.е. пациент к ним не вернулся. Обратную связь доктор может получить только от части пациентов, которые дают её исключительно в негативной форме в виде жалобы.
Врач не может посмотреть информацию о судьбе пациента в единой электронной медицинской карте. Потому что такой карты не существует. И уж тем более он не может увидеть информацию о 200 пациентах с похожими параметрами и результатами лечения. Чтобы принимать решения действительно на больших данных как ИИ.
И главный вопрос уже не в том, заменит ли ИИ врача.
А в том - готовы ли мы увидеть реальные результаты своей работы, если их начнут измерять системно и на больших данных?
«❤️», было полезно
Канал: @assistent_vracha
Можно ответить на более простой вопрос: “Какие задачи ИИ заберёт у врача в первую очередь?”.
Это будет определяться просто: измерят, как врачи выполняют задачу Х, сравнят с ИИ - и там, где люди показывают более низкое качество, эти функции перейдут на ИИ. И мы, возможно, увидим довольно неожиданные цифры качества оказания медицинской помощи врачами - потому что раньше никто не проводил таких массовых измерений.
Почему я делаю такое сильное предположение?
Потому что врачи могут даже не знать о совершенных диагностических ошибках. Особенно если у них нет возможности увидеть, чем диагноз закончился со временем. Т.е. пациент к ним не вернулся. Обратную связь доктор может получить только от части пациентов, которые дают её исключительно в негативной форме в виде жалобы.
Врач не может посмотреть информацию о судьбе пациента в единой электронной медицинской карте. Потому что такой карты не существует. И уж тем более он не может увидеть информацию о 200 пациентах с похожими параметрами и результатами лечения. Чтобы принимать решения действительно на больших данных как ИИ.
И главный вопрос уже не в том, заменит ли ИИ врача.
А в том - готовы ли мы увидеть реальные результаты своей работы, если их начнут измерять системно и на больших данных?
«❤️», было полезно
Канал: @assistent_vracha
❤3