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! 👇