Registerforskning Oktober 2018, Stockholm City Conference Centre. Möjligheter med Artificiell Intelligens inom registerforskningen

Transkript

1 Registerforskning Oktober 2018, Stockholm City Conference Centre Möjligheter med Artificiell Intelligens inom registerforskningen Peter Funk Mälardalens Högskola

2 Vem är Peter Funk?

3 Artificiell Intelligens för register forskning 1. Neurala Nät och Deep Learning 2. Instansbaserat lärande och fallbaserat resonerande 3. Hybrider (klustring, fallbaserat, statistik, sannolikheter & konfidens, regelbaserat, fuzzy logic, ANN, DL, genetiska algoritmer,.. Utmaningar - fördelar förutsättningar - exempel

4 Hur fungerar Neurala nät & Deep Learning? Source:

5 Backpropagation Hur tränar man ett Neuralt Nät? z Alan Turing Dropout neural network by Michael Pearce

6 Deep Learning.. nyckeln? Kan lära sig klassificera bilder bättre än människor Löser det problemet? Domänkunskap? Mycke labbande innan ett ANN eller DL fungerar. z

7 Problem och risker med AI och Maskininlärning? Source: IDG

8 Resonera med fall (Case-Based Reasoning) New Problem RETRIEVE Baserat på en kognitiv modell hur Människor lär sig från erfarenhet. RETAIN Problem Solution Case Library REVISE REUSE Confirmed Solution Proposed Solution 7

9 Resonera med fall (Case-Based Reasoning) New Problem RETRIEVE 11 x 11 =?121 RETAIN Problem Solution REUSE 12 x 11 =?132 Case Library REVISE Confirmed Solution Proposed Solution 8

10 PAIN OUT, kvalitetsregister smärtbehandling, 10 länder, 4 M budget 70% have good result with treatment A L L L Personalised treatment is more optimal 75% have good result with treatment B L L L med flera..

11 Fallbaserat beslutsstödsystem, WP4, fall

12 Öka värdet av register för framtiden! Symptom Analys Diagnos Behandling Utfall Kontext Beslutsstödsystem ger nytt fall varje gång det används

13 Artificiell Intelligens för att förvandla kvalitetsregistret till individanpassat beslutstöd Domain knowledge Expert Experience and decision support based on previous cases Identify similarities, patterns, clusters, correlations and enables more informed decisions based on previous cases Fall Fall symptom: Fall symptom: Case mätvärden: symptom: mätvärden: symptom: analys: mätvärden: analys: measurements: diagnos: analys: diagnos: analysis: åtgärd: diagnos: åtgärd: diagnose: resultat: åtgärd: resultat: action: resultat: results: New case: 7415 symptom: measurements: Identify and predict outcome based on different actions Projekt

14 Hantering av temporala aspekter för att hitta liknande patienter Grader Grader Mätningar - Fotvinkel V - Rorel_Fotled_Dorsalflex_boj t_v Mätningar - Fotvinkel H - Rorel_Fotled_Dorsalflex_boj t_h Patient Ålder Projekt Mätningar - Ashworth_Plantarflexor er_left Mätningar - Ashworth_Plantarflexor Patient 3965 er_right Vertikala linjer = operationer Ålder

15 Fallbaserat Resonerande Utfall baserat på liknande patienter (ålder, symptom, analys, behandling, historik, kontext, Ingen rel. Op. Övriga Op. Bättre Op. NHG 99 Oförändrat Op. NHL 69 Projekt liknande patienter Dorsalflexion GMFCS 1 år GMFCS 3 år Kliniker får information baserad på liknande patienter och kan utforska dessa på olika sätt kontroll över likhet, temporal info,

16 AI kan redan idag öka värdet på register desto mer innehåll, desto större möjligheterna Tack! Frågor Kontakt:

17 Who is getting the best care? Case-Based decision support enables: second option for an experienced clinician disseminate experience from new treatments/procedures transfer experience to a less experienced clinician link to relevant research and clinical studies other clinicians experience (annotated cases) 16

18 Who is getting the best care? Why reasoning with cases? Case-Based decision support enables: second option for an experienced clinician disseminate experience from new treatments/procedures transfer experience to a less experienced clinician link to relevant research and clinical studies other clinicians experience (annotated cases) 17

19 AI is so much more than Artificial Neural Nets/Deep Learning No reasoning or logic Limited explanation capabilities Why? Unpredictable learning Limited scope for application Hybrid systems 18

20 Limitations and opportunities Bad input bad output Humans are also biased Opportunities: AI system for objective job-applicant matching And a lot of AI methodologies and techniques are able to learn from mistakes 19