Ta strona korzysta z ciasteczek, aby zapewnić Ci najlepszą możliwą obsługę. Informacje o ciasteczkach są przechowywane w przeglądarce i wykonują funkcje takie jak rozpoznawanie Cię po powrocie na naszą stronę internetową i pomaganie naszemu zespołowi w zrozumieniu, które sekcje witryny są dla Ciebie najbardziej interesujące i przydatne.

Klient
Placówka medyczna prowadząca specjalistyczny program opieki nad pacjentami z cukrzycą. Celem klienta było wdrożenie systemu umożliwiającego prognozowanie ryzyka hipoglikemii oraz automatyczne informowanie pacjentów o potencjalnym zagrożeniu zdrowotnym.
Wyzwanie
Hipoglikemia stanowi jedno z najpoważniejszych zagrożeń dla osób chorujących na cukrzycę.
Dotychczas proces opieki nad pacjentami z hipoglikemią wymagał zaangażowania zespołu medycznego, który analizował przebieg epizodu, interpretował dane i w razie potrzeby kontaktował się z chorym. Każda taka analiza zajmowała średnio około 10 minut i wiązała się z ryzykiem opóźnień — telefon do pacjenta mógł nie zostać wykonany na czas, co mogło wpływać na bezpieczeństwo chorego.
Klient potrzebował rozwiązania, które:
- Automatycznie analizowałoby dane z glukometrów, informacje o przyjmowanych lekach oraz dane osobowe pacjentów.
- Prognozowałoby ryzyko wystąpienia epizodów hipoglikemii.
- Wysyłałoby pacjentom powiadomienia o potencjalnym zagrożeniu.
- Ograniczało potrzebę stałego monitorowania pacjentów przez personel medyczny.
Rozwiązanie
- Projektowanie i rozwój modelu predykcyjnego
Stworzyliśmy model AI/ML, który analizował pomiary poziomu glukozy, informacje o stosowanych lekach oraz indywidualne dane pacjentów. - Budowa systemu powiadomień
Opracowaliśmy mechanizm wysyłania alertów do pacjentów w przypadku wykrycia zwiększonego ryzyka hipoglikemii. - Walidacja i optymalizacja rozwiązania
Skuteczność naszego modelu do przewidywania hipoglikemii opieramy na dwóch kluczowych wskaźnikach diagnostycznych, powszechnie stosowanych w medycynie i analizie danych: czułości i swoistości.
- Czułość (ang. sensitivity)
określa, jak skutecznie algorytm wykrywa rzeczywiste epizody hipoglikemii. Im wyższa czułość, tym większy odsetek faktycznych przypadków hipoglikemii zostaje poprawnie rozpoznany i zasygnalizowany przez system — co minimalizuje ryzyko przeoczenia zagrożenia. - Swoistość (ang. specificity)
pokazuje, jak dobrze algorytm unika fałszywych alarmów. Wysoka swoistość oznacza, że w sytuacjach, gdy nie występuje zagrożenie hipoglikemią, system nie podnosi niepotrzebnego ostrzeżenia — dzięki czemu pacjenci i personel nie są obciążani nieuzasadnionymi interwencjami.

Rezultaty
Zbudowaliśmy system, który został bardzo dobrze przyjęty przez zespół medyczny oraz pacjentów objętych programem opieki. System umożliwił skuteczne przewidywanie ryzyka hipoglikemii i automatyczne powiadamianie pacjentów.
Dzięki wdrożeniu znacząco zwiększono bezpieczeństwo pacjentów i poprawiono ich jakość życia. Proces rozwoju i współpracy z Klientem przebiegał płynnie i był na bieżąco monitorowany. Nasz zespół dzielił się wiedzą, co ułatwiło wdrożenie i dalsze wykorzystanie systemu.

Automatyzacja rozpoznawania kształtów z użyciem machine learning – optymalizacja kosztów produkcji w zakładzie w Toronto
Design, Development, DevOps czy Cloud – jakiego zespołu potrzebujesz, aby przyspieszyć pracę nad swoimi projektami?
Porozmawiaj o swoich potrzebach z naszymi specjalistami.
