Bemutatkozás
Dr. Ujvári Balázs vagyok, miskolci háziorvos és a Miskolci Egyetem végzős villamosmérnök alapszakos hallgatója. Korábbi és a jelenlegi tanulmányaim során megszerzett ismeretek ötvözésével igyekszem az egyre szűkülő erőforrások között a háziorvoshoz vagy az körzeti ápolókhoz fordulók ellátását segíteni. Azért döntöttem úgy, hogy az orvosi diploma megszerzése után villamosmérnöki képzésre jelentkezem, mert munkám során egyre inkább érzékeltem az orvostudomány, az orvoslás előtt álló jelentős átalakulást. A gyógyászat az automatizált megoldások, a nagy adatokon végzett komplex elemzések és a mesterséges intelligencia által támogatott technológiák felé tart. Meggyőződésem, hogy ezen területek ismerete és gyakorlati alkalmazása nélkülözhetetlenné válik az orvosi gyakorlatban a közeljövőben. Ugyanilyen fontossá válik azonban, hogy olyan megoldásokat fejlesszünk ki, amelyek lehetővé teszik a technikai, informatikai háttérrel nem rendelkező szakemberek számára is ezen eszközök hatékony használatát. Hiszem, hogy az orvosi és mérnöki ismeretek ötvözése révén hozzájárulhatok olyan innovatív rendszerek és eszközök létrehozásához, amelyek megkönnyítik a klinikai döntéshozatalt, javítják a diagnosztikai pontosságot és növelik a betegellátás hatékonyságát.
2004-ben végeztem a Debreceni Egyetem Általános Orvosi Karán summa cum laude minősítéssel, háziorvosi licence vizsgámat 2006-ban, szakvizsgámat 2007-ben szereztem. 2009 óta dolgozom Miskolcon háziorvosként, emellett 2024 februárjáig vidéken is folytattam tevékenységemet egy vegyes háziorvosi praxis helyettesítő orvosaként. A miskolci körzetem mellett egy vidéki idősek otthonában is ellátom a háziorvosi tevékenységet, itt átlagosan 50 fő tartozik a gondozási körömbe. Megelőzően néhány évig egy átmeneti hajléktalanszállás orvosa is voltam.
A Miskolci Egyetem villamosmérnöki képzésére 2021-ben jelentkeztem, az elektronikai tervezés és gyártás szakirányt választottam. Tanulmányaimat két kari kitüntetéssel ismerte el az egyetem. Jelfeldolgozással, adatelemzéssel, gépi tanulási módszerekkel, beágyazott rendszerekkel és programozható logikákkal foglalkozom szívesen. Jelenleg egy olyan projekten dolgozom, amelynek célja egy tenyérnyi, hordozható EKG készülék fejlesztése (illetve ennek mobiltelefonos alkalmazásként való megvalósítása), amely megkönnyíti a szívritmuszavarok korai felismerését a háziorvosi gyakorlatban. Az alapszak befejezése után tervezem a mesterképzés folytatását is. Terveim között szerepel az informatikai mérnök mesterképzés elvégzése is.
EKG asszisztens rendszer
Egy egyszerű, bárki által kezelhető egycsatornás, zsebben hordható EKG készülék tervezése és megvalósítása van folyamatban, amely véleményezi az ekg görbét, diagnózis állapít meg. Az adatok elemzése valós időben történik, az egycsatornás megoldás korlátaiból adódóan alapvetően ritmuszavarok (pitvarfibrilláció, bigeminák és trigeminiák, supraventricularis tachycardiák) vagy a normál sinus ritmus észlelésére és elkülönítésére alkalmas módszerrel
jelenleg.
A rendszer jellemzői:
Az ekg jelek elemzése és osztályozása nem a hagyományos időbeli jellemzők statisztikai paraméterein alapul, hanem az ekg szakaszok morfológiai elemzésén és mintázatok felismerésén. A diagnózis felállítása fuzzy logikai interpolációra épül, ami gyors osztályozást tesz lehetővé és “emberibb” véleményezést biztosít a fuzzy logika természetéből fakadóan. Az eljárás képes lapolvasóval bevitt vagy (akár mobiltelefonnal) lefényképezett ekg görbe elemzése is. Ez utóbbi azért fontos, mert lehetővé teszi a korábban, más eszközzel rögzített ekg jelek bevonását az adatfeldolgozásba, az aktuális görbék és a korábbi görbék elemzése időbeli dinamikák vizsgálatát is lehetővé teszik. A fejlesztett kis hordozható ekg biztosítaná, hogy meghatározzunk egy „egyéni referencia ekg-t”. Egy adott egyénre jellemző alap ekg meghatározásával pontosabban észlelhetjük a normál szívműködéstől való finom eltéréseket a későbbiekben, amelyek nem feltétlenül lennének nyilvánvalóak a populációs átlagokkal való
összehasonlításkor. Az egyéni ekg variancia meghatározása több ekg-felvétel időbeli gyűjtését és elemzését igényli azonos körülmények között, lehetővé téve a normál fluktuációs tartományok azonosítását és a személyre szabott klinikai küszöbértékek meghatározását. Az egyéni referencia ekg alkalmazhatósága kiterjedne a diagnosztikai pontosság javítására, a téves pozitív vagy negatív eredmények csökkentésére, valamint a kezelési stratégiák betegspecifikus
szívműködési profilhoz való igazítására. Az egyéni ekg-dinamikában bekövetkező változások időbeli nyomon követése továbbá kulcsfontosságú lehet a kóros folyamatok korai felismerésében, a betegség progressziójának értékelésében és a terápiás beavatkozások hatékonyságának felmérésében. Ennek a módszertannak a kivitelezése szisztematikus, hosszú távú ekg-adatgyűjtést és fejlett analitikai technikák alkalmazását igényli.
Jelenlegi eredmények:
Ugyanezen módszerek (morfológiai analízis, mintázatok felismerése) több csatornára történő kiterjesztése komplexebb elemzések lehetőségét rejti magában, a szív vérellátási zavarai, az ionháztartás eltérései is diagnosztizálhatóvá válhatnának.
Innovatív potenciál:
Egy ekg görbe csak egy pillanatfelvétel a szív állapotáról. A kinyert jellemzők hosszú távú tárolása jelentené az alapját az egyes betegek évek alatt rögzített görbéinek idősorokban történő elemzését, ezáltal időbeli tendenciák felfedezését. Kellően nagyszámú ekg és az ebből kinyert adatok, jellemzők nagy időintervallumokat átölelő elemzése, statisztikai feldolgozása lehetővé teszi a rejtett összefüggések felismerését is, akár előrejelzések végzését is. Az ekg jellemzők, mint idősorok feldolgozása a szív elektromos kondíciójának, működésének, az ezekben bekövetkező változásoknak a mérését is lehetővé teszik. A tendenciák vizsgálata, az előrejelzések nagymértékben segíthetnék a későbbi betegségek megelőzését is, az egyéni betegkövetést. Az egyéni referencia ekg és az egyéni ekg-dinamika vizsgálata új lehetőségeket teremt a szívbetegségek korai felismerésében és megelőzésében. Az egyéni ekg-variancia meghatározása és a dinamikus változások időbeli nyomon követése lehetővé teszi a szívműködés finom eltéréseinek detektálását, amelyek összekapcsolhatók a később bekövetkező klinikai eseményekkel és diagnózisokkal. Ezen összefüggések feltárása gépi tanulási algoritmusok, különösen neurális hálók alkalmazásával, lehetővé teszi a komplex mintázatok azonosítását az ekg-adatokban. A neurális hálók képesek tanulni az egyéni ekg-jellemzők és a későbbi kardiovaszkuláris események közötti kapcsolatokat, ezáltal növelve a prediktív modellek pontosságát. Ennek eredményeként javulhat a megelőző orvosi beavatkozások hatékonysága és a betegspecifikus előrejelzések megbízhatósága, ami hozzájárul a személyre szabott orvoslás fejlődéséhez és a szívbetegségek okozta morbiditás és mortalitás csökkentéséhez.
A betegek szöveges magyarázatokat kapnak az észlelt eltérésekről, a szív állapotáról, az évek során bekövetkező változásokról. Ezen magyarázatok, értelmezések a hosszútávú adatok feldolgozásának eredményeire épülnek a későbbiekben.
Mindezek mellet a fejlesztett rendszer fogódzót nyújthat mind a betegeknek, mind a szakdolgozóknak ekg leletek értékelésében. A lehetőség továbbra is biztosítva van az orvosi konzultációra, ez élvez elsőbbséget. A felhő alapú megvalósítás biztosítja a lehetőséget arra az esetre is, ha a páciens vagy a szakdolgozó nem rendelkezik a hordozható ekg készülékkel, csak korábban rögzített ekg felvételekkel. A jellemzők meghatározása, kinyerése a jelből szintén történhet a felhőben.
Laborleletek elemzését segítő rendszer
Hasonlóan az előzőekben vázolt ekg “adatok” feldolgozásához, az évek alatt összegyűjtött laborvizsgálati leletek analízise és elemzése is megvalósítható. A munkánk során nem csak az aktuális laborleletekkel illik foglalkozni, de hosszútávú trendeket is figyelni kellene. A fejlesztés alatt álló szoftver ezeket a célokat hivatott megvalósítani. Nem csak az adott leletből vonunk le következtetéseket, hanem az évek alatt elkészült összes lelet feldolgozásával. Az orvosnál felgyülemlett leletekben jóval több információ rejlik annál, mint amit hagyományosan, a konzultációra érkező beteg leletét kézben tartva (vagy monitoron nézve) látunk.
A rendszer főbb jellemzői:
Átfogó adatkezelés
A laborleletek egységes adatbázisban történő tárolása lehetővé tenné a mélyreható elemzéseket, a nem nyilvánvaló eltérések detektálását is.
Automatikus adatbeolvasás, strukturált tárolás
A fejlesztett szoftver a betegek által behozott laborleletek beolvasásával vagy az EESZT-ről letöltött pdf formátumú file-ok értelmezésével és az adatok megfelelő struktúrában történő tárolásával könnyen megvalósíthatóvá teszi az összetettebb vizsgálatok elvégzését.
Adatelemzési lehetőségek:
Statisztikai analízisek, gépi tanulási módszerekkel végrehajtott adatfeldolgozással látványosabbá, szemléletesebbé tehetjük a betegek számára a laborleleteket. A háttérben futó analízisek, elemzések, korreláció vizsgálatok segítenek a leletek értelmezésében.
A leletek szemléletes értelmezése
A pillanatnyi kockázat értékelése helyett a kockázat időbeli lefutását, a hosszú távú következményeket grafikusan is szemléltethetjük a betegeknek.
Előrejelzések:
Predikciókat készíthetünk az adatok felhasználásával, a következtetéseket grafikusan megjelenítve. Szcenáriók modellezése, egy-egy paraméter (életmódbeli tényezők) megváltozásának a hatását is képesek vagyunk vizualizálni a betegek számára interaktív formában.
Betegközpontú megközelítés:
Könnyen érthető, vizuális magyarázatok a betegek részére. A laborleletek jelentőségének és megértésének elősegítése.
Motiváció növelése
Ezzel a rendszerrel lehetővé válna, hogy az orvos a beteggel valóban együttműködve, közösen értelmezve tervezze meg a személyre szabott terápiát, közösen elemezze a várható következményeket.
Innovatív szempontok:
Az laboratóriumi adatok időbeli elemzésével meghatározhatók az egyénre jellemző alapértékek és a normál variabilitás tartománya. Ez különösen fontos, mivel a populációs referenciaértékek nem mindig tükrözik pontosan az egyén fiziológiai sajátosságait. Az egyéni referenciaértékek ismeretében a kisebb eltérések is jelentőséggel bírhatnak, amelyek korai stádiumban jelezhetnek kóros folyamatokat.
A hosszú távú laboratóriumi adatok vizsgálatára számos módszer alkalmazható:
Idősoros elemzés: Lehetővé teszi a laboratóriumi értékek trendjeinek és mintázatainak azonosítását az idő függvényében. Ez segít felismerni a fokozatos változásokat, amelyek egyetlen mérés alapján észrevétlenek maradnának.
Statisztikai modellezés: Regressziós elemzések és más statisztikai módszerek alkalmazásával feltárhatók az összefüggések a különböző laboratóriumi paraméterek között, valamint azok kapcsolata a klinikai kimenetelekkel.
Gépi tanulási algoritmusok: Neurális hálók és más gépi tanulási technikák segítségével komplex, nem lineáris összefüggések is azonosíthatók. Ezek az algoritmusok képesek nagy mennyiségű adatban rejlő mintázatok felismerésére és prediktív modellek létrehozására.
Anomália detektálás: Az adatokból származó normál mintázatok alapján azonosíthatók a rendellenes értékek vagy változások, amelyek korai beavatkozást igényelhetnek.
A hosszú távú vizsgálatok számos lehetőséget rejtenek magukban:
Korai diagnózis és megelőzés: A laboratóriumi értékek lassú, de folyamatos változása előrejelezheti bizonyos betegségek kialakulását, mint például a krónikus vesebetegség vagy a cukorbetegség. Az időben történő felismerés lehetővé teszi a megelőző intézkedések megtételét.
Betegségprogresszió nyomon követése: A már diagnosztizált betegek esetében a laboratóriumi értékek időbeli alakulása információt nyújt a betegség előrehaladásáról és a kezelés hatékonyságáról.
Terápiás döntéshozatal támogatása: A laboratóriumi adatok trendjei alapján optimalizálható a gyógyszeres kezelés, figyelembe véve az egyéni reakciókat és toleranciát.
Új biomarkerek azonosítása: A hosszú távú adatelemzés hozzájárulhat új, prognosztikai értékkel bíró biomarkerek felfedezéséhez (általánosan értelmezett potenciál, nem a konkrét háziorvosi felhasználásra értve). Esetleg egy korábban az adott betegséggel összefüggésbe nem hozott biomarker fontosságának, szerepének a feltárása.
A gépi tanulási algoritmusok, különösen a neurális hálók alkalmazása jelentősen növelheti az elemzések hatékonyságát. Ezek az algoritmusok képesek:
Komplex mintázatok felismerésére: Az adatokban rejlő összetett összefüggések feltárására, amelyek hagyományos statisztikai módszerekkel nehezen azonosíthatók.
Prediktív modellek fejlesztésére: Olyan modellek létrehozására, amelyek előrejelzik bizonyos betegségek kockázatát vagy a klinikai események bekövetkeztét.
Személyre szabott orvoslás támogatására: Az egyéni adatok alapján testreszabott ajánlások és kezelési tervek kidolgozására.
A laboratóriumi leletek hosszú távú elemzése során felmerülő kihívások közé tartozik az adatok minőségének biztosítása, a mérési módszerek változásainak kezelése és az adatok standardizálása. Ezen kihívások leküzdése érdekében fontos a következetes adatgyűjtés és az adatok megfelelő előkészítése az elemzéshez.
Összességében a hosszú távon gyűjtött laboratóriumi adatok mélyebb betekintést nyújtanak az egyén egészségi állapotának alakulásába. Az ilyen adatok fejlett analitikai módszerekkel történő elemzése hozzájárulhat a betegségek korai felismeréséhez, a kezelések személyre szabásához és az egészségügyi ellátás minőségének javításához. A gépi tanulási algoritmusok integrálása pedig tovább növeli ezen elemzések pontosságát és klinikai relevanciáját. Az elemzéseket, az adatfeldolgozásokat a program a háttérben elvégzi, az észlelt jelentős eltérésekre felhívja a felhasználó figyelmét.
A jó gyakorlat újszerűségének, társadalmi hasznosságának bemutatása
EKG Asszisztens Rendszer Innovációi:
Új elemzési módszer: Az EKG jelek elemzése a morfológiai mintázatok felismerésén alapul, nem csak a hagyományos időbeli jellemzőkön. A fuzzy logikai interpoláció kiváltképp alkalmassá teszi kis számítási vagy tárolókapacitású beágyazott rendszereken való felhasználásra.
Hosszú távú betegkövetés: A kinyert jellemzők szervezett, hosszú időtávot felölelő tárolása lehetővé teszi az idősoros elemzést, trendek és tendenciák felismerését.
Automatikus figyelmeztetések és javaslatok: A rendszer az automatikus adatfeldolgozás során képes észlelni az előre megadott, kivizsgált dinamikai vagy statisztikai eltéréseket, valamint a tendenciák megjelenésére utaló jeleket. Ezekre automatikusan felhívja az elemző orvos figyelmét, és megoldási, kezelési stratégiákat, javaslatokat is nyújthat.
Betegedukáció: Szöveges magyarázatokat nyújt a betegeknek az észlelt eltérésekről és a szív állapotáról, növelve ezzel az együttműködést és a prevenció hatékonyságát.
Laborleletek Elemzését Segítő Rendszer Innovációi:
Átfogó adatkezelés: Lehetővé teszi a mélyreható elemzéseket és az észrevétlen eltérések detektálását.
Automatikus figyelmeztetések és ajánlások: A rendszer az automatikus adatfeldolgozás során képes felismerni az előre meghatározott, kivizsgált dinamikai vagy statisztikai eltéréseket, illetve a tendenciák megjelenésére utaló jeleket. Ezekre automatikusan felhívja az elemző orvos figyelmét, és megoldási, kezelési stratégiákat, javaslatokat is nyújthat.
Betegközpontú megközelítés: Könnyen érthető, vizuális magyarázatok a betegek számára, elősegítve a laborleletek jelentőségének megértését.
Motiváció növelése: Az orvos és a beteg együttműködve tervezheti meg a személyre szabott terápiát és elemezheti a várható következményeket.
Összefoglalás
Összefoglalva, fejlesztéseim célja, hogy az orvostudomány és a mérnöki tudományok összehangolásával új megközelítést nyújtsak a háziorvosi ellátásban. Bízom abban, hogy innovációimmal elősegítem a betegbiztonság növelését, az ellátás hatékonyságának javítását és a páciensek életminőségének fokozását. Az EKG Asszisztens Rendszer és a Laborleletek Elemzési Rendszere újszerű megközelítéseikkel hozzájárulnak az orvosi diagnosztika és betegkövetés modernizálásához. A hosszú távú adatelemzés és az egyéni referenciaértékek meghatározása lehetővé teszi az orvosok számára, hogy finomabban hangolt diagnosztikai és terápiás döntéseket hozzanak. A gépi tanulási algoritmusok alkalmazása pedig elősegíti az egészségügyi adatokban rejlő érték maximális kihasználását. Az összetett adathalmazok vizualizációja és az automatizált elemzések bevezetése különösen fontos a mai egészségügyi környezetben, ahol az adatok mennyisége folyamatosan növekszik. A rendszer által nyújtott eszközök segítségével az orvosok hatékonyabban tudják kezelni ezt az információáradatot, és olyan döntéseket hozhatnak, amelyek a legjobb kimenetelt biztosítják a betegek számára. A projektek továbbfejlesztése során lehetőség nyílik a rendszerek integrációjára más egészségügyi informatikai megoldásokkal, valamint a big data és az AI további alkalmazására. Ezáltal az egészségügyi ellátás még inkább adatvezérelté és személyre szabottá válhat, ami összhangban van a nemzetközi trendekkel és az egészségügyi innováció irányával.
Betegközpontú megközelítés és edukáció
A projektek egyik kihívása az adatok minőségének és konzisztenciájának biztosítása, valamint az adatvédelmi és etikai szempontok betartása. Emellett a mérési módszerek standardizálása és az integrálhatóság megteremtése is fontos célkitűzés, hogy a rendszerek zökkenőmentesen illeszkedjenek a meglévő egészségügyi infrastruktúrába. A projekt továbbfejlesztése során jelentős cél, hogy a rendszer még kellő interaktivitást biztosítson, könnyen kezelhető maradjon, felhasználóbarát legyen, lehetővé téve az orvosok számára, hogy saját igényeikhez és preferenciáikhoz igazítsák a vizualizációkat és az elemzéseket. A gépi tanulási algoritmusok finomhangolása és a felhasználói visszajelzések integrálása révén a rendszer folyamatosan fejlődni képes, hozzájárulva az egészségügyi személyzet kényelméhez és a betegek életminőségének javításához.
