מדע נתונים קליני
פיתוח מודלים לחיזוי מתוך רשומות אורכיות ונתונים קליניים מובנים, עם נקודות סיום (endpoints) ותוכניות הערכה שמותאמות לשאלת המחקר.
הדופק מתוך האות הרועש, בחלון המוצג
- דופק אמיתי · bpm
- 72.0
- דופק משוער · bpm
- 72.0
- שגיאה
- ±0.0 bpm
- זוהו / בפועל
- 9 / 9
- שגויות · הוחמצו
- 0 · 0
- בדיקת תיקוף
- עובר
הבדיקה עוברת כשהדופק המשוער רחוק עד ±5 bpm מהאמיתי, ולכל היותר פעימה אחת שגויה או שהוחמצה. אות סינתטי להמחשה בלבד; זה לא מכשיר רפואי.
הדגמה חיה: כתום הוא ה-ECG עם ארטיפקט תנועה, כחול מסמן את הפעימות שגלאי פשוט (מסנן מעביר פס וסף) מוצא, והסימונים הלבנים הם הפעימות האמיתיות. גררו לאורך הגרף כדי להוסיף ארטיפקט, וראו מתי הערכת הדופק מפסיקה להתאים למציאות. אות סינתטי להמחשה בלבד; זה לא מכשיר רפואי.
AI רפואי ב-MLAIA
מודלים שעומדים בביקורת קלינית.
לצוותי מו״פ ב-MedTech, לבתי חולים ולחברות בריאות דיגיטלית.
MLAIA מפתחת ומתקפת מודלי AI לרשומות קליניות, לדימות רפואי ולאותות פיזיולוגיים. אנחנו מתקפים מודלים לחיזוי קליני על מטופלים, מרכזים ותקופות זמן שהמודל לא ראה, מפתחים מודלי דימות שמחזיקים מעמד גם כשהסורק מתחלף, ומבצעים התממה של נתונים קליניים לפני שמשתמשים בהם. התוצאה היא מודל שאפשר להעריך, להבין ולשלב בעבודה, עם הראיות שתומכות בו.
נבנה סביב האתגר שלכם
- הנתונים שלכם
- רשומות קליניות, דימות ואותות פיזיולוגיים
- האתגר שלכם
- הכללה, הטיה ושילוב במערכות
- המיקוד שלנו
- ראיות לפני הטמעה
מאחורי התחום
מחקר שפורסם בחיזוי קלינימדדי סיכון לסוכרת מסוג 2 שפותחו על נתוני UK Biobank ותוקפו בתיקוף חיצוני על רשומות רפואיות של שירותי בריאות כללית. Edlitz & Segal, eLife, 2022 (באנגלית) ↖
בהובלת ד״ר יוחאי אדליץדוקטורט ממכון ויצמן למדע. את המחקר על סוכרת כתב יחד עם ערן סגל ממכון ויצמן.
עבודה עם בתי חולים וחברות MedTechפרויקטים עם המרכז הרפואי אסותא אשדוד, RETISPEC ו-Geometrix. מה הם אמרו
01 איפה אנחנו עוזרים
עומק במקום שבו הוא נדרש.
מומחיות ממוקדת, עם התמיכה המחקרית וההנדסית שמקדמת את הפרויקט שלכם.
דימות רפואי
עבודה עם נתוני דימות ונתונים ספקטרליים, כולל סגמנטציה, הפקת מאפיינים והערכת מודלים על פני הקוהורטות הרלוונטיות.
ראייה ממוחשבת בייצור (באנגלית) ←ניתוח אותות פיזיולוגיים
עיבוד אותות ולמידת מכונה על מדידות פיזיולוגיות, תוך הקפדה על איכות המדידה ועל יכולת השחזור שלה.
עיבוד שפה קליני ו-LLMs
חילוץ מידע ותהליכי עבודה עם טקסט קליני. מגדירים דרישות עיגון (grounding), בקרה אנושית והערכה, בהתאם לשימוש המיועד.
תיקוף, הטיה וניתוח סיבתי
בודקים זליגת מידע (leakage), השפעות של הרכב הקוהורטה, גורמים מערפלים (confounding) ויכולת הכללה. מדווחים על אי-ודאות ומגבלות לצד ביצועי המודל. כשהשאלה היא מה ההשפעה של התערבות, בוחנים את מערך המחקר הסיבתי ואת ההנחות שלו. לגישה שלנו לניתוח סיבתי.
תשתיות נתונים בבית החולים
תמיכה בסביבות מחקר ובצנרות של נתונים קליניים, כולל דרישות לחיבור ל-EMR ול-FHIR ותכנון פריסה מאובטחת.
02 נושאי התמחות
להעמיק בבעיה ספציפית.
כל עמוד נושא מסביר איך אנחנו ניגשים לבעיה, מה אנחנו מודדים ואילו שאלות כדאי לסגור לפני שפרויקט מתחיל. העמודים זמינים כרגע באנגלית.
תיקוף מודלים קליניים
בדיקות זליגה, חלוקה לפי מטופל ולפי מרכז, תיקוף חיצוני, כיול וניתוח תת-קבוצות, עם דיווח לפי TRIPOD+AI.
תיקוף מודלים קליניים (באנגלית) ←AI לדימות רפואי
סגמנטציה וזיהוי על פני סורקים ומרכזים שונים, עם התייחסות לאי-הסכמה בין קוראים, מדדים בעלי משמעות קלינית והתממה של קובצי DICOM.
AI לדימות רפואי (באנגלית) ←התממה של נתונים קליניים
רשומות מובנות, טקסט חופשי ותמונות, כשהמזהים שהוחמצו והסיכון השיורי נמדדים על הנתונים שלכם.
התממה של נתונים קליניים (באנגלית) ←03 מנקודת המבט של לקוח
צוותי MedTech ובתי חולים סומכים עלינו.
”ההובלה, החשיבה האסטרטגית ויכולת התקשורת המצוינת שלכם היו גורם מכריע בהצלחת הפרויקט.“
Dr. Gil Levy, ראש תחום החדשנות, המרכז הרפואי אסותא אשדוד
תרגום של קטע מההמלצה שפורסמה באתר של MLAIA (במקור באנגלית).
”שיתוף הפעולה, התובנות הרעננות, הקפדנות המדעית ושיטות העבודה היעילות שלכם תרמו משמעותית להתקדמות שלנו בזמן כה קצר.“
Eliav Shaked, CEO, RETISPEC
תרגום של קטע מההמלצה שפורסמה באתר של MLAIA (במקור באנגלית).
”המקצועיות שלהם וההבנה העמוקה שלהם ב-Deep Learning אפשרו לנו להגיע בזמן קצר ל-MVP מוכן לניסוי קליני, תוך ניצול מיטבי של המשאבים.“
Daniel Shwarts, VP R&D, Geometrix
תרגום של קטע מההמלצה שפורסמה באתר של MLAIA (במקור באנגלית).
מהפרויקטים שלנו: AI לאודיו שרץ על המכשיר, עבור טיפול בפוסט-טראומה שהגיע ל-MVP מוכן לניסוי קליני. לתיאור הפרויקט (באנגלית) ←
04 נתונים רפואיים ורגישים
נתונים שימושיים. מידע רגיש בשליטה.
תהליכי התממה לרשומות מובנות ולטקסט חופשי, כולל רשומות קליניות בעברית ובשילוב של עברית ואנגלית, שמתוכננים סביב השימוש המיועד ומודל הגישה. הם משלבים איתור של פרטים מזהים, מיסוך או פסאודונימיזציה, הערכה ובחינה של סיכון החשיפה השיורי.
להגדיר מה צריך להגן עליו
מאתרים פרטים מזהים ישירים ומידע הקשרי שעלול לחשוף אדם מסוים. קובעים כללים לפי סוגי הנתונים, השפה והמשימה שהנתונים ישמשו לה.
להעריך את השינוי
מודדים מזהים שהוחמצו ומידע שהוסר שלא לצורך, על דוגמאות מייצגות. בודקים איך השינויים משפיעים על התועלת של הנתונים.
לחבר לתהליכי AI מאושרים
מגדירים איזה מידע מותר להעביר ל-LLM או לשירות מולטימודלי, איפה מותר לעבד אותו ואיך הגישה נשלטת. התממה לבדה אינה ערובה לאנונימיות.
התממה של נתונים קליניים, לעומק (באנגלית) ← שילוב AI, RAG ואוטומציה (באנגלית)
05 איך מתנהל פרויקט
משאלה קלינית לראיות.
ארבעה שלבים, ולכל אחד מהם תוצר ברור. אפשר לעצור אחרי כל אחד.
היתכנות ובדיקת נתונים
אנחנו בוחנים את השאלה הקלינית, את נקודת הסיום ואת הנתונים שיש לכם. אתם מקבלים המלצה קצרה, להמשיך או לעצור, עם הסיכונים שאנחנו רואים, עוד לפני שנבנה מודל כלשהו.
תיקוף רטרוספקטיבי
אנחנו בונים על נתונים היסטוריים ובודקים על מטופלים, מרכזים או תקופות שהמודל לא ראה. התוצאות מגיעות עם רווחי סמך, בדיקות לפי תת-קבוצות ואופני כשל ידועים.
תוכנית להערכה פרוספקטיבית
אנחנו מנסחים איך המודל ייבדק מכאן והלאה, למשל במצב צל (shadow mode). התוכנית קובעת נקודות סיום וגודל מדגם, והצוות שלכם יכול להגיש אותה לוועדת הלסינקי.
שילוב וניטור
אנחנו מתכננים איך המודל נכנס לתהליך העבודה, דרך ה-EMR, דרך FHIR או דרך התוכנה של המכשיר שלכם. אנחנו גם מגדירים מי בודק את הפלט שלו ואיך מזהים סחף (drift) אחרי העלייה לאוויר.
06 שאלות שלקוחות שואלים
תשובות ישירות.
אפשר לעבוד עם נתונים שאסור להם לצאת מבית החולים?
כן. אפשר לעבוד בתוך סביבת המחקר שלכם, תחת בקרות הגישה שלכם, או על קובצי נתונים מותממים שהוכנו במיוחד למשימה. האחסון, הרשאות הגישה וההסכמים נקבעים מול בעלי הנתונים לפני שהעבודה מתחילה.
אתם עוזרים בהכנת ראיות ל-FDA או ל-CE?
אנחנו מפיקים את ראיות ההערכה והתיקוף שהעבודה הרגולטורית נשענת עליהן: מערך המחקר, ביצועים עם מדדי אי-ודאות, תוצאות לפי תת-קבוצות ומגבלות מתועדות. אנחנו לא יועצים רגולטוריים, והעבודה עם MLAIA אינה מקנה למוצר שלכם מעמד רגולטורי כלשהו.
איך אתם נמנעים מזליגת מידע ומהטיה?
אנחנו מחלקים את הנתונים לפי מטופל ולפי מרכז, אף פעם לא לפי רשומה או תמונה, ונועלים את סט הבדיקה בשלב מוקדם. אנחנו מדווחים על הביצועים לפי תת-קבוצה ולפי מרכז, כך שפער מתגלה לפני שסוקר מוצא אותו.
מאגר הנתונים שלנו קטן, או שהוא מגיע מכמה מרכזים. זו בעיה?
לא תמיד. אנחנו בודקים את איכות הנתונים, את הרכב הקוהורטה ואיזו הערכה הנתונים יכולים לתמוך בה. אם הנתונים מגבילים את המסקנות שאפשר להסיק, אנחנו אומרים את זה מראש.
מה אנחנו מקבלים בסוף?
תלוי בשלב: מסמך היתכנות, תוכנית הערכה, דוח תיקוף, הקוד והמודל, ותוכנית לשילוב במערכות. הכול מתועד, כדי שהצוות שלכם יוכל להמשיך להחזיק את זה בעצמו.
מה אתם צריכים מאיתנו כדי להתחיל?
את השאלה הקלינית, תיאור של הנתונים (לא את הנתונים עצמם), ואיש קשר קליני שיכול לענות על שאלות לגביהם. שיחה של 30 דקות מספיקה כדי לדעת אם הפרויקט ישים.
07 תובנות
איך אנחנו חושבים על AI רפואי.
המאמרים והמדריכים זמינים כרגע באנגלית.
הטמעהAI קליני שמגיע לשטח: מאישור FDA ועד מיטת המטופל (באנגלית) תיקוף במצב צל, זיהוי סחף ובדיקות הטיה בסביבת הייצור.
מדריך טכניתיקוף AI רפואי והתמונה הרגולטורית (באנגלית) שינויים בהתפלגות הנתונים, תיקוף חיצוני, תקני דיווח ומגבלות פרטיות.
דימות רפואיראייה ממוחשבת בייצור: דימות רפואי (באנגלית) למה מחלקים נתוני דימות לפי מטופל ולפי מרכז, ולמה שופטים את המודל לפי הטעויות הקליניות שלו.
שיטותלמידת מכונה על גרפים לנתונים קליניים וביולוגיים (באנגלית) רשתות נוירונים על גרפים לנתוני מטופלים, לחלבונים ולאינטראקציות בין תרופות.
AI רפואי
לקביעת שיחת היתכנות של 30 דקות ל-AI קליני.
ספרו לנו מה השאלה הקלינית, אילו נתונים יש לכם ומה סוקר יצטרך לראות. נגיד לכם אם זה ישים ומה יהיה הצעד הראשון.
נא לא לצרף מאגרי נתונים חסויים, פרטי התחברות או מידע על מטופלים.