Tag: Diagnostika

  • Šveicarijos „Moonlight AI“ pritraukė 2,8 mln. eurų: iš kraujo tepinėlių vaizdų ieškos genominių užuominų

    Šveicarijos „Moonlight AI“ pritraukė 2,8 mln. eurų: iš kraujo tepinėlių vaizdų ieškos genominių užuominų

    Šveicarijos startuolis „Moonlight AI“ pranešė užbaigęs pradinio etapo investicijų raundą, per kurį pritraukė 2,8 mln. eurų. Bendrovė kuria klinikinei diagnostikai pritaikytą vaizdų analizės programinę įrangą, kuri, pasitelkdama DI, iš įprastų laboratorinių preparatų vaizdų siekia išgauti su genominiais pokyčiais susijusias įžvalgas.

    Į raundą investavo keli fondai iš skirtingų šalių, tarp jų Singapūre veikiantis „Lotus One Investment“, Šveicarijos „VP Venture Partners“ ir Tunise įkurtas „MEDIN Fund“. Prie jų prisidėjo Lichtenšteino „N&V Capital“ ir ankstesnis investuotojas iš Šveicarijos.

    „Mūsų technologija leidžia laboratorijoms gauti pritaikomus, greitus rezultatus iš preparatų, kuriuos jos jau naudoja kasdieniuose procesuose“, – sakė „Moonlight AI“ vadovas ir vienas iš įkūrėjų Christianas Ruizas.

    Bendrovė įkurta 2022 metais ir orientuojasi į hematologijos bei patologijos laboratorijų darbo srautą. Idėja paprasta: vietoje to, kad genominei informacijai gauti visada būtų būtina brangi ir laiko reikalaujanti papildoma įranga, dalį sprendimų ar prioritetų nustatymo būtų galima atlikti analizuojant rutininę kraujo ir citologijos tepinėlių vaizdinę medžiagą.

    Tokia kryptis atliepia platesnę precizinės onkologijos tendenciją, kai gydymo parinkimui vis dažniau remiamasi molekuliniais ir genominiais žymenimis. Praktikoje laboratorijoms iššūkiu išlieka tyrimų kaina, pajėgumai ir atsakymo laikas, todėl įmonės ieško sprendimų, galinčių paspartinti atranką ir efektyviau nukreipti, kada molekulinius tyrimus būtina atlikti pirmiausia.

    „Moonlight AI“ teigia, kad jų kuriama programinė įranga gali integruotis su laboratorijų vaizdinimo įranga ir padėti automatizuoti dalį sprendimų, susijusių su tolesnių tyrimų parinkimu. Pasak bendrovės, taip būtų galima sutrumpinti bendrą proceso trukmę ir geriau panaudoti ribotus diagnostikos išteklius, ypač didelių apimčių laboratorijose.

    Gautos lėšos bus nukreiptos į nuosavos duomenų bibliotekos plėtrą, siekiant susieti citopatologijos viso preparato vaizdus su kokybiškais genomikos duomenimis. Tokie rinkiniai laikomi kritiškai svarbiais medicininiams DI modeliams, nes nuo jų priklauso, ar sprendimai išliks tikslūs skirtingose laboratorijose, su skirtingais skeneriais ir įvairiomis pacientų populiacijomis.

    „Bendradarbiaudami su tarptautiniu klinikinių partnerių konsorciumu kuriame duomenų rinkinį, kuris padės užtikrinti modelių patikimumą realiose laboratorijų sąlygose“, – sakė „Moonlight AI“ technologijų vadovė ir viena iš įkūrėjų Nicole H. Romano.

    Įmonė taip pat planuoja plėsti komandą ir spartinti kelių sprendimų kūrimą, įskaitant mielodisplazinį sindromą, nesmulkiųjų ląstelių plaučių vėžį ir lėtinę limfocitinę leukemiją. Kartu numatoma greitinti komercializaciją ir reguliacinių reikalavimų įgyvendinimą, nes medicininės diagnostikos programinei įrangai Europoje taikomi griežti saugos ir veiksmingumo kriterijai.

    Pranešime nurodoma, kad finansavimas sutapo su bendrovės teisinės formos pasikeitimu į Šveicarijos akcinę bendrovę. Toks žingsnis dažnai siejamas su pasirengimu tarptautinei plėtrai, aiškesne akcininkų struktūra ir patogesniu kapitalo pritraukimu ateityje.

    „DI diagnostikos sėkmė pirmiausia priklauso nuo klinikinių duomenų kokybės ir įvairovės, todėl plečiame partnerių ratą ir kviečiame prisijungti ligonines bei laboratorijas“, – sakė bendrovės medicinos vadovas ir vienas iš įkūrėjų Stefanas Habringeris.

  • Stulbinantis Žmogaus organų atlasas: 3D vaizdai atskleidė kūną iki mikrono tikslumo

    Stulbinantis Žmogaus organų atlasas: 3D vaizdai atskleidė kūną iki mikrono tikslumo

    Mokslininkai pristatė Žmogaus organų atlasą – viešai prieinamą 3D medicininių vaizdų rinkinį, leidžiantį pamatyti organų sandarą itin detaliai, iki vieno mikrono. Toks mastelis maždaug 50 kartų plonesnis už žmogaus plauką ir atveria naujas galimybes tiek mokslui, tiek medicinos praktikai.

    Projektas paremtas pažangia rentgeno tomografija, kuri leidžia neardant ištirti visą organą ir priartinti vaizdą iki ląstelinių struktūrų. Skirtingai nei įprasti ligoninių tyrimai, čia naudojamas sinchrotroninis šaltinis, užtikrinantis itin ryškų ir stabilų spinduliavimą, reikalingą aukštai raiškai.

    Kaip sukuriami tokie vaizdai?

    Atlasui taikoma hierarchinė fazinio kontrasto tomografija, kai organas skenuojamas keliais masteliais: nuo bendros architektūros iki smulkiausių audinių detalių. Šis principas svarbus todėl, kad daugelis ligų keičia ne tik atskiras ląsteles, bet ir viso audinio „inžineriją“ – kraujagyslių tinklą, pluoštus, pertvaras.

    Tokie duomenys paprastai užima milžinišką apimtį: vieno organo vaizdų rinkinys gali siekti terabaitus, todėl projekto kūrėjai didelį dėmesį skiria duomenų prieinamumui ir patogiam naudojimui. Atlasas kuriamas kaip atvira platforma, kad juo galėtų remtis tyrėjai, gydytojai ir dėstytojai.

    Ką jau apima Žmogaus organų atlasas?

    Šiuo metu atlasas apima dešimtis donorų organų ir šimtus trimačių duomenų rinkinių, tarp jų – smegenis, širdį, plaučius, kepenis, inkstus ir kitus organus. Kai kuriais atvejais fiksuojami keli organai iš to paties donoro, o tai leidžia tiksliau vertinti, kaip liga ar rizikos veiksniai paveikė skirtingas organizmo sistemas.

    Atlaso duomenyse gali būti užfiksuota ir įprastų, ir retesnių patologijų požymių, todėl tai tampa vertinga baze lyginamiesiems tyrimams. Medicinoje toks „žemėlapis“ ypač naudingas, kai reikia suprasti kraujotakos, uždegimo ar audinių randėjimo pokyčius, kurių paprastuose tyrimuose ne visuomet pavyksta įžvelgti.

    DI proveržis medicinoje: kodėl šis atlasas svarbus?

    Vienas didžiausių projekto pažadų – galimybė šiais duomenimis mokyti DI modelius, kurie vėliau galėtų padėti greičiau ir tiksliau atpažinti ligų požymius. Aukštos raiškos 3D duomenys leidžia kurti algoritmus, kurie mokosi ne tik iš plokščių pjūvių, bet ir iš visos organo struktūros, todėl potencialiai gerėja diagnostikos tikslumas.

    „Tai išteklius tyrėjams, gydytojams, dėstytojams, bet ir kiekvienam smalsiam žmogui, norinčiam suprasti, kaip sudėtas žmogaus kūnas“, – sakė vienas iš projekto kūrėjų Paul Tafforeau.

    Tyrėjai teigia, kad ateityje technologiją tikimasi dar labiau išplėsti, siekiant vaizdinti vis didesnius žmogaus anatomijos segmentus dar aukštesne raiška. Tokie planai galėtų iš esmės pakeisti, kaip mokomasi anatomijos, kaip lyginami ligų mechanizmai ir kaip kuriamos naujos diagnostikos bei gydymo strategijos.

  • Harvardo tyrimas sukrėtė medikus: DI skubioje pagalboje diagnozuoja tiksliau už gydytojus

    Harvardo tyrimas sukrėtė medikus: DI skubioje pagalboje diagnozuoja tiksliau už gydytojus

    Naujas Harvard Medical School mokslininkų tyrimas parodė, kad dirbtinis intelektas gali pranokti gydytojus vienoje sudėtingiausių sričių – pirminiame pacientų įvertinime skubios pagalbos skyriuje. Darbe, publikuotame žurnale Science, DI sprendimai lyginti su šimtų gydytojų sprendimais, remiantis realiais klinikiniais atvejais.

    Tyrime analizuoti 76 atvejai iš Bostono ligoninės: DI teisingai arba beveik teisingai nustatė diagnozę 67 proc. pacientų, kai gydytojų rezultatas siekė 50–55 proc. Kai buvo pateikta daugiau informacijos, DI tikslumas kilo iki 82 proc., o gydytojų – iki 70–79 proc.

    Dar ryškesnis skirtumas užfiksuotas vertinant gydymo planus. DI pateikė 89 proc. teisingų rekomendacijų, o 46 gydytojų grupė, naudodamasi įprastais informacijos paieškos įrankiais, pasiekė apie 34 proc. tikslumą.

    Kodėl DI pasirodė geriau?

    Mokslininkai pabrėžia, kad DI pranašumas dažnai siejamas su gebėjimu nuosekliai apdoroti didelį tekstinės informacijos kiekį ir atpažinti retesnes sąsajas, kurias žmogus gali praleisti skubos sąlygomis. Viename iš atvejų DI teisingai įvardijo plaučių embolijos komplikacijas ir nurodė mažiau akivaizdų rizikos veiksnį – autoimuninę ligą, kurios gydytojai neįvertino.

    Vis dėlto tai nėra įrodymas, kad DI turėtų pakeisti medikus. Tyrime DI vertino tik tekstinius duomenis ir nematė paciento būklės, elgesio, odos spalvos, kvėpavimo, skausmo intensyvumo ar kitų klinikinių ženklų, kurie realiame skyriuje gali būti lemiami.

    Ar tai reiškia gydytojų pabaigą?

    Harvard Medical School atstovas Arjun Manrai akcentuoja, kad tikslas nėra gydytojų pakeitimas, o saugesnė ir tikslesnė „trijų dalių“ priežiūra, kurioje dirba pacientas, gydytojas ir DI kaip sprendimų palaikymo sistema. Tokia schema, tyrėjų vertinimu, galėtų sumažinti diagnostines klaidas ir padėti greičiau parinkti tyrimų bei gydymo prioritetus.

    DI sprendimai jau diegiami klinikinėje praktikoje, tačiau kartu auga ir rizikos. Ekspertai pabrėžia, kad be aiškių taisyklių gali būti sunku nustatyti atsakomybę, jei DI rekomendacija pasirodo klaidinga arba jei medikas per daug pasitiki algoritmo išvada.

    Didžiausia grėsmė – aklas pasitikėjimas

    Medicinai artimiausiu metu svarbiausia taps ne tik technologijos tikslumas, bet ir saugus jos naudojimas. Specialistai įspėja apie automatizacijos šališkumą, kai gydytojai nesąmoningai linksta pritarti DI atsakymui net tada, kai klinikiniai požymiai kelia abejonių.

    Dėl to ligoninėms ir reguliuotojams tenka užduotis užtikrinti, kad DI įrankiai būtų skaidrūs, patikrinti su skirtingomis pacientų grupėmis, o jų rekomendacijos būtų naudojamos kaip pagalba, o ne galutinis sprendimas. Tyrimo autoriai pabrėžia, kad praktikoje didžiausią vertę gali duoti ne DI ar gydytojas atskirai, o jų derinys.

  • Harvardo tyrimas: DI skubioje pagalboje dažniau taikliai įvardijo diagnozę nei gydytojai

    Kas nustatyta Harvardo tyrime?

    Harvardo medicinos mokyklos ir Beth Israel Deaconess medicinos centro komanda palygino, kaip diagnozes skubios pagalbos pacientams parenka gydytojai ir didieji kalbos modeliai. Eksperimente analizuoti 76 pacientų atvejai, o DI gavo tą pačią informaciją, kuri buvo įrašyta elektroniniuose sveikatos įrašuose.

    Tyrėjai lygino dviejų budinčių gydytojų pateiktas diferencines diagnozes su modelių „OpenAI o1“ ir „OpenAI 4o“ sugeneruotomis versijomis. Vėliau du kiti gydytojai, nežinodami, kas parengė konkrečią diagnozę, įvertino jų tikslumą ir artumą galutinei diagnozei.

    Kur DI pasirodė stipriausiai?

    Didžiausi skirtumai išryškėjo ankstyvajame etape, kai apie pacientą turima mažiausiai duomenų ir sprendimus tenka priimti greitai. Būtent čia DI dažniau pateikė tikslesnę arba bent jau ne prastesnę diagnostinę kryptį nei gydytojai.

    Tyrime nurodoma, kad „OpenAI o1“ pateikė tikslią arba labai artimą diagnozę 67 proc. pirminio rūšiavimo atvejų. Tuo metu vieno gydytojo įvertinimai siekė 55 proc., kito – 50 proc.

    „Kiekviename diagnostikos etape „o1“ rezultatai buvo nominaliai geresni arba tokie pat kaip dviejų gydytojų ir „4o“,“ – sakė tyrėjai.

    Pasak komandos, svarbi detalė yra ta, kad DI rezultatams nebuvo taikomas išankstinis duomenų „valymas“ ar specialus pritaikymas. Modeliams buvo pateikta ta pati praktinė informacija, kuri realiai pasiekiama skubios pagalbos skyriuje per elektronines medicinines korteles.

    Ką tai reiškia pacientams ir medikams?

    Rezultatai rodo potencialą DI įrankius naudoti kaip papildomą sprendimų paramą, ypač triage ir pirminės diagnostikos metu. Tačiau tyrimas savaime nereiškia, kad DI turėtų pakeisti gydytoją: skubioje pagalboje svarbūs ne tik teisingi spėjimai, bet ir atsakomybė, klinikinis kontekstas, fizinė apžiūra bei sprendimų pasekmių valdymas.

    Praktikoje didžiausia rizika yra ne vien netikslus atsakymas, o klaidingas pasitikėjimas juo, ypač kai informacija nepilna arba medicininiai įrašai turi spragų. Dėl to realiam diegimui būtini aiškūs saugikliai, audituojami vertinimo metodai, nuolatinė kokybės kontrolė ir tiksliai apibrėžta, kur DI gali padėti, o kur sprendimas privalo likti gydytojo rankose.

    „Jei lyginame DI įrankius su klinikiniais įgūdžiais, turime lyginti su gydytojais, kurie iš tiesų dirba toje srityje. Nebūtų stebėtina, jei didelis kalbos modelis aplenktų dermatologą neurochirurgijos egzamine, bet tai mažai ką pasako apie realią naudą,“ – sakė skubios pagalbos gydytoja Kristen Pantagani.

    Šis darbas įsilieja į platesnę sveikatos sistemos tendenciją, kai ligoninės vis aktyviau bando sprendimų paramos sistemas, padedančias greičiau susisteminti simptomus, rizikas ir galimas diagnozes. Kartu daugėja diskusijų dėl reguliavimo, atsakomybės ir pacientų duomenų saugumo, nes sveikatos apsaugos sektoriuje klaidų kaina yra ypač didelė.

  • Sąskaita autoservise šokiruoja? Štai kodėl net „pigi“ taisykla šiandien kainuoja brangiai

    Sąskaita autoservise šokiruoja? Štai kodėl net „pigi“ taisykla šiandien kainuoja brangiai

    Vairuotojams pažįstama situacija: atvykstate su, rodos, aiškiu gedimu, o galutinė sąskaita pasirodo gerokai didesnė, nei tikėtasi. Iš pirmo žvilgsnio gali kilti įtarimų, kad servisas dirbtinai išpučia kainą, tačiau dažnai priežastys yra kur kas proziškesnės.

    Per pastarąjį dešimtmetį automobiliai kardinaliai pasikeitė: net baziniuose modeliuose gausu jutiklių, valdymo blokų ir tarpusavyje susietų sistemų. Dėl to meistro darbas vis rečiau apsiriboja vien detalės pakeitimu, o vis dažniau tampa ilga diagnostikos procedūra, kuri ir sudaro reikšmingą sąskaitos dalį.

    Diagnostika kainuoja ne mažiau nei detalės

    Šiuolaikiniuose automobiliuose gedimą gali „imituoti“ kelios skirtingos priežastys: nuo nusilpusios baterijos ar oksiduotų kontaktų iki programinės įrangos klaidų. Todėl profesionalus servisas skiria laiką patikroms, matavimams, bandymams kelyje ir duomenų nuskaitymui diagnostine įranga.

    Šiai veiklai reikia ne tik patirties, bet ir brangios įrangos bei licencijuotos programinės įrangos, kuri reguliariai atnaujinama. Kai kuriais atvejais, ypač naujesniuose modeliuose, prireikia ir gamintojo procedūrų, o po remonto gali būti būtina atlikti adaptacijas ar kalibracijas, kad sistemos veiktų tiksliai.

    Kodėl pigi detalė dažnai tampa brangia

    Kita didelė kainų skirtumų priežastis yra detalių pasirinkimas. Rinkoje egzistuoja originalios gamintojo specifikaciją atitinkančios dalys ir daugybė alternatyvų, kurių kaina gali skirtis kartais.

    Tačiau pigiausias variantas ne visada reiškia sutaupymą. Trumpesnis tarnavimo laikas, prastesnis suderinamumas ar net netikslūs matmenys gali baigtis pakartotiniu remontu, o tai reiškia antrą kartą mokamą darbą ir naują vizitą į servisą.

    Prieiga prie mazgų tampa vis sudėtingesnė

    Net ir, atrodytų, paprasti darbai šiandien neretai užtrunka ilgiau dėl konstrukcijos sprendimų. Mazgai, kurie anksčiau buvo lengvai pasiekiami, dabar gali būti paslėpti po apsaugomis, plastiko elementais, laidų pynėmis ar kitais agregatais.

    Dėl to remontas dažnai prasideda nuo išardymo, kad meistras apskritai pasiektų gedimo vietą. Laikas čia virsta pinigais, nes realiai apmokama ne tik „pakeista detalė“, bet ir valandos, sugaištos demontuojant ir surenkant tai, ką gamintojas sudėjo kuo kompaktiškiau.

    Dar vienas dažnas scenarijus: atvykstate dėl vieno simptomo, tačiau patikros metu paaiškėja ir kiti susiję defektai. Servisas tuomet turi pasirinkti, ar taisyti tik vieną problemą, rizikuojant, kad gedimas greitai pasikartos, ar siūlyti pilnesnį sprendimą, kuris kainuoja daugiau, bet ilgainiui sumažina riziką sugrįžti.

    Galiausiai, nemažai priklauso ir nuo paties serviso. Mažesniuose miestuose dirbantys nepriklausomi meistrai kartais gali pasiūlyti konkurencingesnius įkainius dėl mažesnių išlaikymo kaštų, tačiau bet kokiu atveju profesionalus aptarnavimas turėtų reikšti aiškią sąmatą, atskirtas detalių ir darbo kainas bei suprantamą paaiškinimą, už ką mokate.