Труба экспертов

1.

МедЭксперт: AI диагностика на
основе машинного обучения
Тверской государственный университет
Инициативная разработка

2.

Название одной из первых статей на тему врачебных ошибок из далекого 1998
Neptune
is farинтригующим:
from the Sun
года было
«Почему я упустил верный диагноз?»,
в статье был очень простой и точный ответ: «Я не думал о нем»
9-10%
Процент врачебных ошибок
из-за неправильного диагноза*
* - Источник: Федеральный фонд ОМС

3.

Министерство здравоохранения
₽39 млрд.
В 2020 году Министерство здравоохранения России утвердило программу по
цифровизации здравоохранения, одной из целей которой является внедрение ИИ
и МО для улучшения качества медицинских услуг
Цифровые показатели
₽12 млрд.
2023
2029
16%
34%
Используют
ИИ
Планируют
внедрить ИИ
40% → 0,3-0,4%
Neptune is far from the Sun
30% → 2,4%

4.

Медицинские
учреждения
Врачи и медицинские
специалисты
• Улучшить качество диагностики;
• Получить доступ к ИИ-инструменту,
который облегчит анализ данных и
повысит точность диагностики;
• Сократить затраты на ИТподдержку, автоматизировать
рутинные задачи;
• Повысить удовлетворенность
пациентов качеством и
скоростью медицинских услуг
• Сократить время на рутинные
задачи;
• Повысить свою уверенность в
результатах диагностики

5.

• точные диагнозы;
• ускоренное принятие решений;
• интуитивно понятный
интерфейс;
• повышение качества медицинской
помощи.

6.

Выводы:
• Надо также обучить модель машинного обучения с
машинным зрением;
• Надо делать упор на декстопную (компьютерную версию)
Опрос мед.
учреждений
Опрос
врачей
Результаты
опроса

7.

8.

9.

10.

Вертебральный осмотр
• Модель использует такие параметры,
как наклон таза, угол поясничного
лордоза, наклон крестца, лучевая кость
таза, степень спондилолистеза, наклон
таза, прямой наклон, наклон грудной
клетки, наклон шейки матки, угол
крестца, наклон при сколиозе

11.

Офтальмологический осмотр
• Модель использует такие параметры,
покраснение глаз, а также зуд и жжение в
глазах

12.

Модель МО
С учителем
Методика оценки
точночти
F1 метрика
Пример кода

13.

Интеграция
машинного
обучения
Мед
Эксперт
Sber Med AI
Botkin AI
Третье
Мнение
ПроРодинки
Несколько
областей
медицины
Анализ мед
изображений
Анализ
текстовых
данных
Анализ мед
карты
пациента
Удобство
использования
для врачей
Возможность
интеграции с мед
учреждениями

14.

Доступная
емкость рынка
Фактическая
емкость рынка
Потенциальная
емкость рынка
5.1
тыс
27
тыс
Neptune is far from the Sun
510

15.

Распространение
1.
2.
Посещение мед. учреждений с предложением о интеграции;
Участие в различных конкурсов, связанных с интеграцией ИИ в медицину
Расходы (срок окупаемости – 5 месяцев)
1.
2.
Расходы на реализацию проекта – 808 081 руб.
Расходы на поддержание проекта – 29 717 (79 717) руб.
Монетизация
1.
2.
Продажа самого продукта проекта в виде её интеграции в мед учреждение;
Плата за ежемесячное обслуживание

16.

17.

18.

19.

Софья
Онищенко
Павел
Бакин
• Дизайнер
• Инженер
• Project-менеджер
• Разработчик
• Инженер
Артемий
Андропов
• Аналитик

20.

Вопросы