Gu nlu k Rutin Hasta Tesḩis ve Tedavisinde Yapay Zeka

Ebat: px

Şu sayfadan göstermeyi başlat:

Download "Gu nlu k Rutin Hasta Tesḩis ve Tedavisinde Yapay Zeka"

Gülistan Önder
5 yıl önce
İzleme sayısı:

1 Gu nlu k Rutin Hasta Tesḩis ve Tedavisinde Yapay Zeka Prof. Dr. Süleyman Sevinç, Bilgisayar Müh. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü Ve Labenko Bilişim A.Ş.

2 Dokuz Eylül Üniversitesi Computational Medicine Araştırma Gurubu Yapay zeka, yapay öğrenme, matematik ve computational modellerin rutin Tıbba uygulanması Tıbbi tedavi etkinliğinin ve beklenmeyen etkilerinin YZ ile erkenden saptanması (Doktora Tezi) Pediyatrik referans aralıklarının hastane verilerinden öğrenilmesi (Doktora Tezi) Tıbbi laboratuvarda prediktif kalite kontrolü (Tepecik EAH) Diyagnostik testlerin YZ ile aşamalandırılması ve yönetimi (TÜBİTAK) Kan alma biriminin YZ ile optimizasyonu (PHLEROBO) Dağıtık ve mesaj tabanlı ileri teknoloji laboratuvar bilgi yönetim sistemi (KOSGEB) YZ ile anamnez (Tepecik EAH) Tıbbi verilerin probabilistik öğrenme ile değerlendirilmesi (Masters) Klinik muayene verilerinin Yapay Zeka tabanlı toplanması (Doktora) YZ ile Otoverifikasyon (TUS, DEÜ Tıbbi Biyokimya)

3 Yapay Zeka (YZ) Yapay Zekâ bilginin daha etkin kullanımı ile kullanımdaki süreçleri geliştiren, ölçeklendiren ve maliyetleri düşüren, daha doğru kararların alınmasını öneri yoluyla sağlayan ya da doğrudan bu kararları alan yazılımsal sistemleri tanımlamaktadır. GROWING THE ARTIFICIAL INTELLIGENCE INDUSTRY IN THE UK Professor Dame Wendy Hall and Jérôme Pesenti

4 Mohammed Abebe Yimer Doktora çalışması: Tıbbi tedavinin etkinliğinin ve istenmeyen etkilerinin YZ ile belirlenmesi

5 Nasıl? Data APTT AST Amilaz Process Machine learning models Output 2D & 3D Visualization

6 Küçük Pertürbasyonlar

7 Örnek Veriler (temiz, ~ nokta) %HbA1c Albumin ALP ALT AaDO2 Amilaz APTT AST

8 Veri Temizleme

10 Ramiz Yılmazer Doktora çalışması: Klinik muayenede verilerin YZ ile toplanması Klinik muayene esnasında hekim - doktor etkileşiminden veri toplayarak hekimin klavye mouse kullanım zorunluluğunu azaltmak. Ayrıca klinik muayene veya tıbbi işlemler esnasında hekimin hasta bilgilerine kolayca ulaşmasını sağlamak.

12 Tıbbi veritabanlarından öğrenebilen zeki bir sistemin oluşturulması için, bir hekimin kendi başına uygulayabileceği bir yöntem varmı dır, önerebilirmisiniz? Deep Learning: Vardığı sonuçları açıklama konsunda zayıf. Hekimin tek başına uygulaması zor, sofistike training çalışması gerektirir Öneri Bayesian tabanlı öğrenen sistem. Örnekler: 1. Hastalarıma uyguladığın yeni tedavi yöntemi başarılımıdır? 2. Hastalarımın belli bölgede spesifik bir mutasyonunu araştırıyorum, eldeki verileri değerlendirebilecek öğrenebilen bir sistem ihtiyacım var. 3. Hastalarıma grip aşısı önermek istiyorum. Ama yararlı olup olmadığı konusunda kanıta dayalı karar veren öğrenebilen bir sistem oluşturabilirmiyim? 4. Acile göğüs ağrısı ile başvuran hastalara uyguladığım yaklaşım isabetlimidir?

13 Tıbbi veritabanlarından öğrenebilen zeki bir sistemin oluşturu lması için, bir hekimin kendi başına uygulayabileceği bir yöntem varmı dır, önerebilirmisiniz?

14 Tıbbi veritabanlarından öğrenebilen zeki bir sistemin oluşturu lması için, bir hekimin kendi başına uygulayabileceği bir yöntem varmı dır, önerebilirmisiniz?

15 Tıbbi veritabanlarından öğrenebilen zeki bir sistemin oluşturu lması için, bir hekimin kendi başına uygulayabileceği bir yöntem varmı dır, önerebilirmisiniz? Robot ne öğrendi?

16 Klinik tıpta etkisi ne oldu, ne olması beklenebilir? Potansiyel alanlar: 1. Teşhis ve tedavide klinik olarak benzer hastaların belirlenmeleri ve teşhiste hastanın kendi baseline ından küçük kaymaların saptanması. 2. Olası pandemilerin erken belirlenmesi, hastalığın yayılımının monitörize edilmesi ve engellenmesinin sağlanması. 3. Görüntüleme yoluyla teşhis (radioloji, patoloji). 4. Diyagnostik alanlarda daha fazla değerlendirme olanakları 5. Kaliteli ve hatasız üretim için (validasyon, oto-verifikasyon, hataların kaldırılması,..) 6. Süreç kontrol ve verimliliğinin optimize edilmesi 7. Klinik verilerin yeni big data teknikleriyle daha iyi anlaşılması 8. Ekonomik verimliliğin sağlanması; iş gücü optimizasyonu, 9. Prediktif uygulamalar GROWING THE ARTIFICIAL INTELLIGENCE INDUSTRY IN THE UK Professor Dame Wendy Hall and Jérôme Pesenti

17 YZ nın Tıpta kabulünü geciktirebilecek Tıbba özgü belirsizlikler varmı dır? Tıbbi hasta verilerinin güvenilirliği konusunda belirsizlikler 1. Teşhis verileri 2. İlaç verileri 3. Laboratuvar test sonuç varileri 4. Radyolojik bulgular 5. Elektronik hasta kayıtları (klinik bulgular, gözlemler, izlemler, vs) 6. Epikriz verileri 7. Diğer inceleme bulguları; EKG, efor testi, endoskopi, vs. 8. Hastanın kendi kaydettiği verileri 9. Hasta demografik verileri 10. Birimlere özgü diğer veriler

18 Tıpta karşımıza çıkan başka engeller varmıdır? Aşılması gereken engeller: 1. Sağlıkta kişisel verilerin korunması 2. Hekim, hastalar ve regüle edici kurumların yeni teknolojiyi kabullenmede tereddütlü olmaları daha sofistike teknolojilerin yayılımını sınırlayabilir. GROWING THE ARTIFICIAL INTELLIGENCE INDUSTRY IN THE UK Professor Dame Wendy Hall and Jérôme Pesenti

19 Kan Alma Biriminde Yapay Zeka Uygulaması PHLEROBO

21 Prof. Dr. Süleyman Sevinç Twitter: #SuleySevinç

Benzer belgeler

ÖĞRENİM HEDEFLERİ Öğrenciler 4. ve 5. sınıf stajları sonunda;

ÖĞRENİM HEDEFLERİ Öğrenciler 4. ve 5. sınıf stajları sonunda; 4. SINIF ve 5. SINIF VE Staj kurullarında öğrencilerin farklı kliniklerde, uygun sürelerde gerçekleştireceği stajlarda hastaların öyküsünü alma ve sistemik muayenesini yapma, hekimlik uygulamalarını geliştirme,