Zastosowanie AI/ML w prognozowaniu ryzyka hipoglikemii u pacjentów z cukrzycą

Kategoria:
Rozwój oprogramowania, Sztuczna inteligencja, HealthTech
Branża:
Medycyna, Opieka zdrowotna
Miasto:
Polska

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

  1. Projektowanie i rozwój modelu predykcyjnego
    Stworzyliśmy model AI/ML, który analizował pomiary poziomu glukozy, informacje o stosowanych lekach oraz indywidualne dane pacjentów.
  2. Budowa systemu powiadomień
    Opracowaliśmy mechanizm wysyłania alertów do pacjentów w przypadku wykrycia zwiększonego ryzyka hipoglikemii.
  3. 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.

Jakub Orczyk

Członek zarządu / Dyrektor sprzedaży
VM.PL

Zamów bezpłatną konsultację
kuba (1)

VM.pl AI Chat

AI Cześć! Jestem AI chat VM.PL. Możesz mnie zapytać o wszystko związane z naszą firmą.
To narzędzie korzysta z technologii sztucznej inteligencji. Jego użycie oznacza akceptację regulaminu usługi