Hur kan vi effektivisera vården genom ny teknik som AI och Machine Learning och reducera rutinmässigt arbete för läkarna? Det undersöker Xing Liu och Richard Hartman, studenter i systemvetenskap vid Örebro universitet, i ett examensarbete som görs för B3 Commit.
"}},"media":{"file":{"url":"//images.ctfassets.net/edp4l8jwwyll/6JIQnoMVEHBU6k5GMXGG0v/9f76830d6a6536aba2b702d01b653a46/AI-I-Va__rden.jpg"}},"theme":"blue","label":"Nyhet 16 dec 2019"},{"__typename":"ContentfulArticleBlock","id":"7baefa57-5883-5773-9168-38c1b71b2119","contentful_id":"34645fWXHPFiD46NsNE2Wd","name":"Snabbare diagnostisering av höftdysplasi med hjälp av AI ","heading":{"childMarkdownRemark":{"html":"Studenterna har utvecklat ett program som kan användas vid avläsning av röntgenbilder för att diagnostisera patienter med höftdysplasi och ge ett svar på endast 27 sekunder. Läs vidare i en intervju med Richard och Xing.
","excerpt":"Studenterna har utvecklat ett program som kan användas vid avläsning av röntgenbilder för att diagnostisera patienter med höftdysplasi och…"}},"subtitle1":null,"subtitle2":null,"subtitle3":null,"paragraph1":{"childMarkdownRemark":{"html":"Berätta om ert arbete
\n— Inom vårt examensarbete undersöker vi hur AI kan användas för att ställa diagnos för patienter med misstänkt höftdysplasi. Tidigare har läkarna lagt ner mycket tid på att studera röntgenbilder och mäta olika vinklar och punkter på bilderna som visar på om dysplasi föreligger. Vi har utvecklat ett program som automatiskt kan avläsa bilderna genom att mäta ett antal punkter och vinklar och därigenom uppskatta en serie ”dysplasiindex” från röntgenstrålar. Detta spar mycket tid för läkarna, tid som istället kan läggas på patientkontakt och mer kvalitativt arbete. Vi gör vår studie i samarbete med Örebro Universitetssjukhus och Victor Hernandez från B3 Commit är vår handledare.
Hur fungerar det rent konkret?
\n— Genom Machine Learning har vi med algoritmer tränat och lärt systemet vad som är viktigt att mäta på röntgenbilderna, vilka viktiga punkter och vinklar som ställer diagnosen. För att beräkna dessa \"dysplasiindex” är det viktigt att kunna detektera specifika benstrukturer i röntgenstrålarna. Vi använder en algoritm som annars vanligtvis används inom ansiktsigenkänning, men vi har anpassat den för att upptäcka benstrukturer. Att läsa av bilderna och märka ut dessa punkter är ett ganska tidskrävande arbete för läkarna. Men genom den maskinella avläsningen sker detta på endast 27 sekunder. Systemet har också en mycket bra generaliseringsprestanda, även fast benstrukturen skiljer sig åt mellan olika människor.
Hur ser ni på framtiden och möjligheterna för att använda AI inom vården?
\n— Möjligheterna är enorma, men många vet inte hur de ska börja och hur de kan dra nytta av den nya tekniken på ett bra sätt. Detta var också en del av bakgrunden till att vi ville göra ett examensarbete inom området och utveckla något användbart. Med AI och Machine Learning finns det fantastiska möjligheter att effektivisera vården vilket både sparar både tid och pengar. Dessutom kan säkerheten i provsvar och diagnoser bli säkrare.
Berätta om er bakgrund
\n— Vi studerar systemvetenskap vid Örebro universitet där vi nu skriver kandidatuppsats. Vi har båda studerat tidigare men då inom helt olika områden. Xing har en bakgrund inom bland annat statistik och ekonomi medan Richard har studerat och arbetat som Fysioterapeut. Vi har olika bakgrunder men kompletterar därmed varandra mycket bra. Och vi delar engagemanget för att effektivisera viktiga områden med hjälp av AI och Machine Learning.
Mer information
\nFör mer information kontakta Maria Zika, maria.zika@b3.se eller Olov Leijonborg, olov.leijonborg@b3.se.