Personalizace léčby respiračních onemocnění pomocí umělé inteligence a interoperabilita s e-health systémy
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
P
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Nasazení kortikosteroidů u post-covidových pacientů má za cíl zabránit transformaci aktivních pozánětlivých změn na nevratné fibrotické změny. Nicméně, tato léčba může mít v některých případech i závažné vedlejší účiny. Taktéž existuje velké množství pacientů, u kterých není jakákoliv léčba potřebná a k plné úpravě pozánětlivých změn dojde spontánně. Tato disertační práce se zaměřuje na personalizaci léčby post-covidových pacientů s využitím algoritmů umělé inteligence (AI) a zlepšení způsobu interoperability AI modelů s informačními systémy zdravotnických zařízení. První část disertační práce se zabývá položením základu stavu vědy a techniky v oblasti využití AI algoritmů pro doporučení nasazení kortikosteroidů u post-covidových pacientů, kteří jsou ohroženi nevratným poškozením plicní tkáně. Práce zkoumá vliv různých parametrů z různých vyšetření na výslednou přesnost natrénovaných modelů. Provedené experimenty ukazují, že nejúspěšnější model dosahuje 73,68% přesnosti, 73,52% vyvážené přesnosti a hodnotou AUC 0,7469. Dosažené výsledky naznačují jeho vhodnost jakožto podpůrného nástroje při rozhodování o následné léčbě post-covidových pacientů. Je zde dokázáno, že při vhodně vybraných parametrech lze s využitím AI identifikovat pacienty, kteří budou z nasazené léčby profitovat. Druhá část práce se zaměřuje na výzkum a vývoj univerzální architektury umožňující interoperabilitu AI modelů s informačními systémy zdravotnických zařízení. Součástí je představení specializované implementace pro včasný záchyt onemocnění COVID-19 s integrovanými DeepCovidXR modely. Během ověření výkonnosti dosahuje průměrná doba zpracování rentgenového snímku pomocí CPU 11,53 sekund a pomocí GPU 2,78 sekund. Obě hodnoty splňují maximální přípustnou dobu analýzy stanovenou na dvacet sekund. Výsledky prezentované v obou částech jsou nasazeny a využívány ve Fakultní nemocnici Olomouc.
Corticosteroid (CS) treatment in patients with Long COVID aims to prevent the progression from active post-inflammatory changes to fibrosis scarring. However, CS have side effects, which may sometimes be severe. Some patients might not require any treatment as their post-inflammatory changes resolve spontaneously. This dissertation thesis aims to develop an artificial intelligence (AI) based approach that allows personalized treatment of patients with Long COVID and a design of modular architecture allowing seamless interoperability of AI models with the information systems used in healthcare facilities. The first part of the thesis deals with the foundation of the state-of-the-art of using AI algorithms to recommend CS treatment in patients with Long COVID, who have the risk of permanent lung damage. This study examines how various parameters from different examinations influence the accuracy of the AI models. The most effective model achieves an accuracy of 73.68 %, a balanced accuracy of 73.52 %, and an AUC of 0.7469. These results prove that a trained AI model on a correctly chosen set of parameters from various medical examinations is effective and can be used as a decision-support tool for further treatment courses. The second part focuses on developing a modular architecture that allows interoperability between AI models and the information system of health facilities. Its specific implementation for early COVID-19 detection, incorporating DeepCovidXR models, is presented. In the performance test, the average processing time of X-ray images is 11.53 seconds using the CPU and 2.78 seconds with the GPU. Both values meet the maximum permissible analysis time set at 20 seconds. The results presented in both sections have been implemented and are currently used at the Olomouc University Hospital.
Corticosteroid (CS) treatment in patients with Long COVID aims to prevent the progression from active post-inflammatory changes to fibrosis scarring. However, CS have side effects, which may sometimes be severe. Some patients might not require any treatment as their post-inflammatory changes resolve spontaneously. This dissertation thesis aims to develop an artificial intelligence (AI) based approach that allows personalized treatment of patients with Long COVID and a design of modular architecture allowing seamless interoperability of AI models with the information systems used in healthcare facilities. The first part of the thesis deals with the foundation of the state-of-the-art of using AI algorithms to recommend CS treatment in patients with Long COVID, who have the risk of permanent lung damage. This study examines how various parameters from different examinations influence the accuracy of the AI models. The most effective model achieves an accuracy of 73.68 %, a balanced accuracy of 73.52 %, and an AUC of 0.7469. These results prove that a trained AI model on a correctly chosen set of parameters from various medical examinations is effective and can be used as a decision-support tool for further treatment courses. The second part focuses on developing a modular architecture that allows interoperability between AI models and the information system of health facilities. Its specific implementation for early COVID-19 detection, incorporating DeepCovidXR models, is presented. In the performance test, the average processing time of X-ray images is 11.53 seconds using the CPU and 2.78 seconds with the GPU. Both values meet the maximum permissible analysis time set at 20 seconds. The results presented in both sections have been implemented and are currently used at the Olomouc University Hospital.
Description
Keywords
personalizace léčby, umělá inteligence, predikční modely, podpůrné diagnostické nástroje, e-health, interoperabilita systémů, umělá inteligence v klinické praxi, nasazení modelů, personalized treatment, artificial intelligence, prediction models, diagnostic support tools, e-health, interoperability of systems, artificial intelligence in clinical practice, deployment of models
Citation
MYŠKA, V. Personalizace léčby respiračních onemocnění pomocí umělé inteligence a interoperabilita s e-health systémy [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
bez specializace
Comittee
prof. Ing. Zdeněk Smékal, CSc. (předseda)
doc. Ing. Otto Dostál, CSc. (člen)
doc. Mgr. Karel Slavíček, Ph.D. (člen)
doc. Ing. Kamil Říha, Ph.D. (člen)
Univ.-Prof. i.R. Dipl.-Ing. Dr. Peter Brezany - oponent (člen)
prof. Ing. Peter Drotár PhD. - oponent (člen)
Date of acceptance
2024-06-25
Defence
Student zodpověděl správně na všechny otázky členů komise. Komise hodnotila dizertační práci s aplikačními výsledky velmi kladně.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení