Kollégánk, Molnár Balázs meghívást kapott az IWBBIO 2022 ( 9th International Work-Conference on Bioinformatics and Biomedical Engineering) rendezvényre, amely június végén kerül megrendezésre Spanyolországban. Előadásában bemutatja az adatminőség javításának témakörében született tanulmányt, melynek társszerzője.
A mesterséges intelligencia (AI) korszakában körülvesznek bennünket az okos alkalmazások: tanulnak a múltban keletkezett adatokból, és megpróbálják megjósolni, mi fog történni a jövőben. Sikeresen betaníthatók arra is, amit az embereknek évekig tart megtanulni.
A hordozható orvosi eszközök által gyűjtött adatok exponenciálisan növekvő mennyisége miatt bővülnek a lehetőségek a gépi tanulási módszerek kiaknázására mind a betegek egészségi állapotának nyomon követésében, mind az esetlegesen orvosi ellátást igénylő események előrejelzésében. A hordható EKG-készülékek kényelmesebbek a klinikai környezetben használt szokásos monitorozó eszközöknél, de ennek az alacsonyabb információsűrűség és a gyengébb jelminőség az ára. A legfrissebb kutatások szerint a gépi tanulási módszerek ennek ellenére képesek viselhető eszközök adataiból tanulni, és bizonyos feladatokhoz (pl. szívritmuszavarok kimutatása) már orvosi minőségű eszközök is elérhetőek.
Az egyik algoritmus például az egészséges szívveréstől való eltérés mértékét mutatja ki az EKG jelei alapján (amelyek a szív elektromos aktivitásának mérésére szolgálnak). Egyéb gépi tanulási feladatok is érdekessé váltak, például olyanok, amelyek az EKG-k alapján előre jelzik az epilepsziás rohamokat. A mesterséges intelligencia azonban az emberekhez hasonlóan hibázhat, és az ilyen algoritmusok alkalmazhatósága leginkább a hibák gyakoriságától és súlyosságától függ. EKG-jelek esetén az adatok minőségének javításával jelentősen csökkenthető a téves előrejelzés/észlelés.
Balázs ismertetni fogja tapasztalatait és eredményeit, hogy miként állítható elő megbízható gépi tanulási modell hordozható EKG-jelek alapján, mely automatizált módon biztosítja a tiszta és jó minőségű adatokat. A módszer az orvos-kutatók idejét takarítja meg, hiszen egy ilyen elemzés manuálisan hetekig eltart, míg az algoritmusok kevesebb mint néhány óra alatt futnak le akár egy egyszerű PC-n is.
Rendkívül büszkék vagyunk erre a tudományos kutatásra, amelyben kollégánk is részt vesz, és ezáltal hozzájárulunk egy jobb egészségügyi ellátáshoz. Gratulálunk Balázsnak és a cikk minden szerzőjének. Az írás az E-Group és a Pécsi Egyetem együttműködésében zajló Smart Data projekt keretében született meg.
Data quality enhancement for machine learning on wearable ECGs – a cikk megjelent egy nemzetközileg elismert technológiai szakfolyóiratban.
E-Group Smart Data Team