Toteutimme yhdessä Tampereen yliopiston ja Jyväskylän yliopiston kanssa projektin, jossa potilaskertomuksista laadittiin automatisoitu elektroninen frailtyindeksi (eFi). Haaste? Kliinikon muistiinpanoihin haudattujen tietojen rakenteistaminen tekoälyn tarpeisiin.
Käytimme FinBert-kielimallia potilaskertomusten muuntamiseen rakenteiseen muotoon.
Muunsimme vapaan tekstin labeloiduiksi joukoiksi kohdennettua mallikoulutusta varten.
Teimme yhteistyötä HUS Acamedicin kanssa Azure ML -integroinnissa.
FinBert-kielimalli mahdollisti potilaskertomusten muuntamiseksi strukturoiduksi dataksi. Pääsimme näin käsiksi tietoon, joka oli aiemmin hautautunut strukturoimattomiin teksteihin.
Azure ML -työkalujen avulla hyödynsimme tehokkaasti tekstimuotoista potilastietoa ja muutimme ne labeloiduiksi joukoiksi kohdennettua mallikoulutusta varten - fokuksessamme oli inkontinenssin havaitseminen, josta saatiin lupaavia tuloksia.
Toteutimme projektin yhteistyössä Tampereen ja Jyväskylän yliopistojen tutkijoiden kanssa tietoturvallisessa HUS Acamedic ympäristössä käyttäen Azure Machine Learning -alustaa. Autoimme potilastietojen pseudonymisoinnissa potilaiden suojaamiseksi säilyttäen kuitenkin tietojen tutkimuksellisen hyödyn.
Kaikki toimenpiteet dokumentoitiin huolellisesti Jupyter-muistikirjoissa, mikä varmistaa toistettavuuden. Vankan pohjatyömme avulla pienet säädöt voivat parantaa mallin tarkkuutta entisestään ja palvella joko joukkoa erilaisia eFi-parametreja.
.jpg)
”On ollut erittäin hyödyllistä työskennellä Veracellin kanssa NLP-projektissamme. Veracellin insinöörit auttoivat meitä alusta alkaen ja ovat myös osallistuneet keskusteluilla ja ideoilla EFI-mallimme parantamiseksi.”
- Jake Lin, FT, Tampereen yliopisto
Nämä onnistumiset ovat vain jäävuoren huippu. Muutetaan yhdessä ”mitäpä jos” tulevaisuudeksi, josta uskallamme unelmoida.
Ota yhteyttä
