А что, если можно было бы увидеть чуть больше?

Дорогие коллеги!

Перед нами, специалистами лабораторной службы, каждый день проходят сотни пациентов и тысячи анализов. Мы - важнейшее звено в диагностике. Но вы никогда не задумывались, как обидно бывает, когда мы знаем, что могли бы помочь больше?

👉 Вот суровая реальность:

· По итогам диспансеризации у 18% россиян выявляют ХНИЗ, а у 45% есть факторы риска.
· При этом 1-3% пациентов упускаются на ранних стадиях. Это тысячи людей, которые могли бы получить помощь вовремя.
· А в преаналитике нас до сих пор преследуют ошибки, вроде псевдогиперкалиемии, которые могут увести клинициста по неверному пути.

Мы даем точные цифры. Но часто этих цифр из базового чека недостаточно, чтобы разглядеть надвигающуюся беду - риски диабета, сердечно-сосудистых катастроф, нарушений обмена веществ.

А что, если бы наша рутинная работа - ОАК, СОЭ, глюкоза, общий холестерин - могла рассказать гораздо больше?

Завтра мы расскажем, как мы нашли способ "разговорить" привычные анализы. Не пропустите!

Мы научили ИИ говорить на языке лабораторной диагностики

Вчера мы говорили о проблеме. Сегодня - о решении!

Представляем проект «ЛабЧекап».

Это не просто программа. Это - интеллектуальный помощник, который на основе уже готовых данных диспансеризации (пол, возраст, ОАК, СОЭ, глюкоза, холестерин) с высочайшей точностью прогнозирует концентрации ключевых показателей второго уровня!

🧠 Что это значит на практике?

· ЛипидоСкрининг: Прогноз ХС-ЛПНП с точностью 97% (средняя абсолютная погрешность с анализатором = 0,28 ммоль/л).
· ДиаСкрининг: Прогноз уровня гликированного гемоглобина (HbA1c) с точностью 96% (средняя погрешность метода 0,4%). Помогаем выявить риски диабета даже при нормальной глюкозе натощак.
· И это далеко не всё: Ферритин, креатинин, гормоны - наши модели уже охватывают более 20 показателей (отклонения от нормы).

Но и это не всё! ИИ также помогает бороться с преаналитическими ошибками и служит инструментом дополнительного контроля качества.

Мы не заменяем лабораторию. Мы усиливаем ее, делая скрининг глубже, а диагностику - более персонифицированной.

Завтра мы покажем, как это работает в реальной жизни, и как вы можете нам помочь изменить лабораторную медицину к лучшему.

Ложная тревога в анализах: машинное обучение против псевдогиперкалиемии! 🩸🤖

Знаете ли вы, что повышенный калий в анализе крови не всегда опасен? Часто это - псевдогиперкалиемия! Её причина - ошибки на этапе забора или транспортировки пробы (например, гемолиз или неправильная последовательность взятия пробирок).

Мы обучили искусственный интеллект отличать ложные результаты от истинных.

Что выяснилось?
✅ Алгоритм предсказывает уровень истинного уровня калия с точностью ~80%.
✅ Главные «подсказки» для ИИ: сывороточные индексы, общий белок, гематокрит и тромбоциты.
✅ Это поможет избежать ненужных повторных анализов и лечения!

Будущее лабораторной диагностики уже здесь - умные алгоритмы на страже качества анализов! ❤️

Скоро опубликуем статью и сделаем мини викторину по данной тематике 🤝

Так, друзья! Погружаемся в разбор наших моделей для прогноза групп риска по ключевым лабораторным показателям.

Мы используем данные диспансеризации: 🔍 общий анализ крови, СОЭ, холестерин общий, глюкоза, пол и возраст.

Чтобы показать, как «думает» модель, проведём небольшую викторину.

В машинном обучении есть анализ значимости признаков (Feature Importance). Он показывает, какие факторы сильнее всего влияют на прогноз.

📌 Пример: чтобы спрогнозировать «плохой» холестерин (ЛПНП), самым важным признаком будет, очевидно, общий холестерин.

Всё понятно? Тогда начинаем! 👇