Personalizace léčby respiračních onemocnění pomocí umělé inteligence a interoperabilita s e-health systémy

Simple item page
but.committeeprof. 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)cs
but.defenceStudent zodpověděl správně na všechny otázky členů komise. Komise hodnotila dizertační práci s aplikačními výsledky velmi kladně.cs
but.jazykčeština (Czech)
but.programTeleinformatikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorBurget, Radimcs
dc.contributor.authorMyška, Vojtěchcs
dc.contributor.refereeDrotár,, Petercs
dc.contributor.refereeBrezany, Petercs
dc.date.accessioned2024-06-26T03:55:27Z
dc.date.available2024-06-26T03:55:27Z
dc.date.created2024cs
dc.description.abstractNasazení 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.cs
dc.description.abstractCorticosteroid (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.en
dc.description.markPcs
dc.identifier.citationMYŠKA, 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.cs
dc.identifier.other161253cs
dc.identifier.urihttps://hdl.handle.net/11012/249172
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectpersonalizace léčbycs
dc.subjectumělá inteligencecs
dc.subjectpredikční modelycs
dc.subjectpodpůrné diagnostické nástrojecs
dc.subjecte-healthcs
dc.subjectinteroperabilita systémůcs
dc.subjectumělá inteligence v klinické praxics
dc.subjectnasazení modelůcs
dc.subjectpersonalized treatmenten
dc.subjectartificial intelligenceen
dc.subjectprediction modelsen
dc.subjectdiagnostic support toolsen
dc.subjecte-healthen
dc.subjectinteroperability of systemsen
dc.subjectartificial intelligence in clinical practiceen
dc.subjectdeployment of modelsen
dc.titlePersonalizace léčby respiračních onemocnění pomocí umělé inteligence a interoperabilita s e-health systémycs
dc.title.alternativePersonalized Treatment of Respiratory Diseases Using Artificial Intelligence and Interoperability with e-Health Systemsen
dc.typeTextcs
dc.type.driverdoctoralThesisen
dc.type.evskpdizertační prácecs
dcterms.dateAccepted2024-06-25cs
dcterms.modified2024-06-25-12:12:47cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid161253en
sync.item.dbtypeZPen
sync.item.insts2024.06.26 05:55:26en
sync.item.modts2024.06.26 05:12:33en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav telekomunikacícs
thesis.levelDoktorskýcs
thesis.namePh.D.cs
Files
Original bundle
Now showing 1 - 4 of 4
Thumbnail Image
Name:
final-thesis.pdf
Size:
6.63 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
Posudek-Oponent prace-posudek oponenta prof. Drotar_disertace Ing. Myska.pdf
Size:
2.67 MB
Format:
Adobe Portable Document Format
Description:
file Posudek-Oponent prace-posudek oponenta prof. Drotar_disertace Ing. Myska.pdf
Download
Thumbnail Image
Name:
Posudek-Oponent prace-posudek oponenta prof. Brezany_disertace Ing. Myska.pdf
Size:
7.4 MB
Format:
Adobe Portable Document Format
Description:
file Posudek-Oponent prace-posudek oponenta prof. Brezany_disertace Ing. Myska.pdf
Download
Thumbnail Image
Name:
review_161253.html
Size:
3.57 KB
Format:
Hypertext Markup Language
Description:
file review_161253.html
Download
Collections
2024