Lékařská validace a klinické standardy pro Analýza krevních testů AI
Metodologie trojitě zaslepené klinické validace, dohled lékařů certifikovaných komisí a studie korelace výsledků z reálného světa, které pohánějí nejdůvěryhodnější výzkumníky na světě. Analyzátor krevních testů AI.
Primární důkazy a dokumentace
Tvrzení a validační data uvedená na této stránce jsou zdokumentována v naší technické zprávě (probíhá odborné posouzení). Níže naleznete kompletní metodiku a podpůrné důkazy.
Rámec klinické validace pro interpretaci krevních testů s využitím umělé inteligence
Metodologie trojité zaslepené validace, metriky výkonu a protokoly zajištění kvality
Rámec klinické validace
Kantestiho Interpretace krevního testu AI Platforma prochází přísnou lékařskou validací, aby byla zajištěna spolehlivost klinické úrovně. Náš víceúrovňový validační proces kombinuje validaci strojovým učením s tradičními metodologiemi klinického hodnocení.
Každá aktualizace algoritmu prochází před uvedením do produkčního prostředí trojitě zaslepenou klinickou validací. Tato stránka dokumentuje náš kompletní rámec pro validaci, strukturu lékařského dohledu a protokoly pro průběžné sledování kvality.
Trojitě zaslepený klinický validační proces
Naše validační metodologie eliminuje zkreslení potvrzením prostřednictvím třístupňového nezávislého procesu hodnocení. Každá fáze probíhá bez znalosti závěrů ostatních, což zajišťuje objektivní měření přesnosti.
Interpretace umělé inteligence
Systém umělé inteligence analyzuje výsledky krevních testů bez přístupu ke klinické diagnóze, anamnéze pacienta nebo lékařským záznamům. Tato slepá analýza zajišťuje, že interpretace umělé inteligence je založena výhradně na datech biomarkerů a stanovených referenčních rozmezích.
- Žádný přístup ke klinické diagnóze
- Referenční rozmezí upravené podle populace
- Víceparametrová korelační analýza
Lékařský posudek
Patologové s atestací nezávisle posuzují stejné výsledky krevních testů. Lékaři nemají přístup k interpretacím umělé inteligence, což zajišťuje, že jejich klinický úsudek zůstává nestranný.
- Kliničtí patologové s atestací
- Žádný přehled o výstupu umělé inteligence
- Standardizované kontrolní protokoly
Nezávislé srovnání
Klinický tým třetí strany porovnává výstupy umělé inteligence s konsensem lékařů, aniž by věděl, která interpretace pochází z jakého zdroje. Nesrovnalosti spouštějí další cykly přezkumu.
- Metodologie zaslepeného srovnání
- Statistická shodová analýza
- Kompletní dokumentace auditních záznamů
Pracovní postup trojité zaslepené validace
Náš validační proces zajišťuje nestranné posouzení přesnosti prostřednictvím nezávislých paralelních hodnotících proudů, které se sbíhají až při konečném srovnání.
Metodologie trojité zaslepené validace: Interpretace pomocí umělé inteligence (fáze 1), lékařské posouzení (fáze 2) a nezávislé srovnání (fáze 3) fungují paralelně bez křížové viditelnosti.
Ověřený výkon podle testovací kategorie
Výkonnostní metriky ověřené trojitě zaslepeným klinickým hodnocením na více než 1 000 000 testovacích případech. Výsledky prokazují konzistentní přesnost ve všech hlavních kategoriích biomarkerů.
Celkové shrnutí přesnosti
Agregační přesnost: 98,7% — Vážený průměr napříč všemi testovacími kategoriemi na základě trojitě zaslepené shody lékařů. Citlivost jednotlivých kategorií se pohybuje od 98,1% do 99,3%. Viz Zpráva §4.1, Tabulka 2
Korelace klinických výsledků: 87% — Longitudinální korelace s potvrzenými diagnózami v reálných následných studiích. Viz Zpráva §4.3
| Kategorie testu | Citlivost | Specifičnost | Velikost vzorku |
|---|---|---|---|
| Kompletní krevní obraz (CBC) | 99.3% | 99.0% | 285,000 |
| Komplexní metabolický panel | 99.1% | 98.9% | 198,000 |
| Lipidový panel | 98.8% | 98.5% | 167,000 |
| Funkce štítné žlázy | 98.4% | 98.1% | 142,000 |
| Testy jaterních funkcí | 98.9% | 98.6% | 124,000 |
| Panel funkcí ledvin | 99.2% | 99.0% | 84,000 |
Konzistence populace
Výsledky validace prokazují konzistenci přesnosti 99% napříč všemi demografickými skupinami bez ohledu na etnickou příslušnost, věk, pohlaví nebo geografickou oblast. Vzorkování proporcionální k populaci zajišťuje reprezentativní pokrytí ve 197 zemích.
Globální distribuce datové sady pro validaci
Naše trénovací datová sada s 15 miliony vzorků a více než 1 milionem validačních případů je distribuována ve všech hlavních globálních regionech, aby byla zajištěna reprezentativní přesnost pro danou populaci.
Lékařská poradní rada
Naše lékařská poradní rada zajišťuje klinický dohled nad vývojem a validací veškerých algoritmů umělé inteligence. Členové rady zastupují různé specializace z mnoha zemí a přinášejí dohromady více než 180 let odborných znalostí v klinické medicíně.
MUDr. Thomas Klein
Hlavní lékař (CMO) Klinická hematologie a diagnostika umělé inteligenceDr. Sarah Mitchell, MD, PhD
Hlavní lékařský poradce Klinická patologie a laboratorní medicínaProf. Dr. Hans Weber
Vedoucí lékařský poradce Laboratorní medicína a klinická chemieDr. Maria Rodriguez, MD, MPH
Lékařský poradce Interní lékařství a preventivní lékařstvíDr. Chen Wei, MD, MSc
Lékařský poradce Endokrinologie a metabolická medicínaSeznamte se s naší kompletní lékařskou poradní radou s podrobnými profily, referencemi a výzkumným zázemím.
Zobrazit všechny poradce →Neustálé sledování kvality
Validace po nasazení pokračuje prostřednictvím strukturovaných monitorovacích protokolů. Reální výkonnost je sledována v porovnání s klinickými výsledky, přičemž zpětnovazební smyčky umožňují neustálé zlepšování.
Měsíční zprávy o výkonnosti
Komplexní analýza přesnosti napříč všemi kategoriemi biomarkerů, demografickými segmenty a geografickými oblastmi. Identifikace trendů umožňuje proaktivní řízení kvality.
Mezilaboratorní shoda
Testování ve více než 500 laboratorních systémech ověřuje konzistentní výkon bez ohledu na výrobce zařízení, metodiku nebo kalibrační standardy.
Studie klinických výsledků
Studie longitudinální korelace sledují interpretace umělé inteligence oproti potvrzeným diagnózám a dosahují korelace 87% s klinickými výsledky u různých populací pacientů.
Zpětná vazba od poskytovatelů zdravotní péče
Strukturovaná integrace zpětné vazby od lékařů a laboratorních pracovníků. Označené interpretace podléhají kontrole lékařskou poradní komisí a opravy jsou integrovány do školení.
Data školení a zajištění kvality
Náš model umělé inteligence je trénován na jednom z největších spravovaných datových souborů krevních testů v oboru s přísnými kontrolami kvality, které zajišťují integritu dat a klinickou relevanci.
Složení datové sady
- Celkový počet vzorků15 milionů
- Geografické pokrytí197 zemí
- Laboratorní zdrojeVíce než 500 certifikovaných laboratoří
- Rozsah dat2015-2025
- Typy biomarkerů450+ parametrů
Kontroly kvality
Vícestupňové zajištění kvality dat:
- Pouze laboratorní zdroje s certifikací ISO 15189
- Odstranění neúplných nebo poškozených záznamů
- Detekce odlehlých hodnot pro preanalytické chyby
- Ověření původu všech datových sad
- Anonymizace v souladu s HIPAA/GDPR
Partneři v oblasti technologií a dodržování předpisů
Naše validační infrastruktura a vývoj umělé inteligence jsou podporovány prostřednictvím partnerství s předními poskytovateli technologií v oboru.
Microsoft FoundersHub
Cloudová infrastruktura a platforma pro vývoj umělé inteligence na podnikové úrovni s podporou škálovatelných validačních pracovních postupů.
Počáteční program NVIDIA
Výpočetní zdroje GPU a optimalizace modelů umělé inteligence umožňující efektivní trénování na více než 15 milionech vzorových datových sad.
Umělá inteligence v cloudu Google
Infrastruktura strojového učení podporující trénování distribuovaných modelů a inferenci v reálném čase.
mračna
Globální edge síť zajišťující bezpečný přístup s nízkou latencí ve 197 zemích.
Ovládací prvky SOC 2 typu II
Bezpečnostní opatření v souladu se standardy AICPA
V souladu s ISO 27001
Kontrolní mechanismy pro řízení bezpečnosti informací
Kontroly v souladu s HIPAA
Záruky ochrany údajů ve zdravotnictví v USA
V souladu s GDPR
Evropské nařízení o ochraně osobních údajů
Vhodné použití a omezení
Transparentnost ohledně možností a omezení je nezbytná pro zodpovědné nasazení umělé inteligence ve zdravotnictví. Kantesti je navržen jako nástroj pro podporu rozhodování, který doplňuje – nikoliv nahrazuje – odborný lékařský úsudek.
Informace nebyly zpřístupněny
Naše umělá inteligence interpretuje data biomarkerů izolovaně. Následující klinický kontext není systému k dispozici:
- Kompletní anamnéza pacienta
- Současné léky a možné interakce
- Nálezy z fyzikálního vyšetření
- Genetické faktory a rodinná anamnéza
- Faktory životního stylu (pokud je neposkytne uživatel)
Variace laboratorních metod
Referenční rozmezí se v jednotlivých laboratořích liší kvůli rozdílům ve vybavení a kalibračních standardech. Naše databáze s více než 45 000 rozmezí specifickými pro danou laboratoř zahrnuje většinu variací, ale uživatelé by si měli ověřit, zda extrahované hodnoty odpovídají jejich původní zprávě.
Aspekty kvality dokumentů
Přesnost OCR závisí na kvalitě dokumentu. Ručně psané výsledky nebo skeny s nízkým rozlišením mohou ovlivnit extrakci hodnot. Pro všechny extrahované hodnoty je před analýzou k dispozici ruční korekce.
Lékařské prohlášení o vyloučení odpovědnosti
Kantesti je informační nástroj s umělou inteligencí, který interpretuje výsledky krevních testů na základě zavedených lékařských referenčních rozmezí a klinických pokynů. NENÍ to zdravotnický prostředek a nediagnostikuje, neléčí, nevyléčí ani nepředchází žádné nemoci.
Poskytnuté informace slouží pouze pro vzdělávací a informační účely a neměly by být považovány za lékařskou radu. Před rozhodnutím o svém zdraví nebo léčbě se vždy poraďte s kvalifikovaným zdravotnickým pracovníkem.
V případě lékařské nouze okamžitě kontaktujte záchrannou službu. Kantesti není určen pro nouzové situace.
Zveřejnění informací o střetu zájmů a financování
Tuto validační dokumentaci vydává společnost Kantesti/PIYA AI. Členové lékařské poradní rady dostávají za své poradní role odměnu. Marketingový ředitel (Thomas Klein, MD) je zaměstnancem společnosti Kantesti AI na plný úvazek. Veškerá validační data byla nezávisle ověřena metodologií trojitého zaslepení. Na validační studie nebylo přijato žádné externí financování. Společnost je financována sama prostřednictvím partnerství v oblasti příjmů a technologií se společnostmi Microsoft, NVIDIA, Google Cloud a Cloudflare.
Často kladené otázky o lékařské validaci
Co znamená „trojitá zaslepená validace“?
Trojitě zaslepená validace znamená, že tři nezávislé strany analyzují stejná data, aniž by znaly závěry ostatních. Naše umělá inteligence interpretuje krevní testy bez klinického kontextu, lékaři je posuzují nezávisle, aniž by viděli výstupy umělé inteligence, a třetí tým porovnává výsledky, aniž by věděl, které pocházejí od umělé inteligence a které od lékařů. Tím se eliminuje zkreslení potvrzení a zajišťuje objektivní přesnost měření.
Jak často se model umělé inteligence aktualizuje?
Náš model prochází čtvrtletním přeškolením, které zahrnuje nová validovaná data, aktualizované klinické pokyny a výzkum nových biomarkerů. Každá aktualizace před nasazením prochází kompletním trojitě zaslepeným validačním protokolem. Aktualizace, které nesplňují naši prahovou hodnotu přesnosti, jsou odmítnuty.
Proč se přesnost liší podle kategorie testů?
Některé biomarkery mají globálně standardizovanější referenční rozmezí (například elektrolyty), zatímco jiné se mezi laboratořemi a populacemi více liší (například hormony štítné žlázy). Kategorie s větší variabilitou vykazují mírně nižší přesnost kvůli inherentní složitosti interpretace.
Mohu důvěřovat interpretaci umělé inteligence při lékařských rozhodnutích?
Kantesti je navržen jako nástroj pro podporu rozhodování, nikoli jako náhrada odborného lékařského úsudku. Naše umělá inteligence poskytuje validované interpretace založené na stanovených referenčních rozmezích, ale klinický kontext – včetně vaší anamnézy, léků a symptomů – vyžaduje pro rozhodnutí o léčbě lékařské vyšetření. Vždy se poraďte se svým poskytovatelem zdravotní péče.
Jak je validace zohledněna v populační diverzitě?
Naše trénovací data zahrnují 15 milionů vzorků proporcionálně rozložených ve 197 zemích, přičemž populačně vážený výběr zajišťuje zastoupení všech hlavních etnických a geografických skupin. Čtvrtletní audity férovosti ověřují konzistenci přesnosti napříč demografickými skupinami, přičemž konzistence 99% je zachována napříč všemi segmenty populace.
Co se stane, když umělá inteligence udělá chybu?
Poskytovatelé zdravotní péče a uživatelé mohou označit interpretace k posouzení lékařskou poradní komisí. Označené případy analyzuje náš marketingový ředitel Thomas Klein, MD, a lékařský tým. Pokud se chyby potvrdí, opravy se integrují do budoucích školicích cyklů. Naše průběžné monitorování sleduje reálný výkon, abychom proaktivně identifikovali a řešili systematické problémy.
Kde najdu kompletní ověřovací zprávu?
Naše kompletní metodologie validace je zdokumentována v technické zprávě "Klinický validační rámec pro interpretaci krevních testů s využitím umělé inteligence" (ID zprávy: KANTESTI-TR-2025-001, DOI: 10.5281/kantesti.2025.mv2). Celá zpráva je k dispozici prostřednictvím odkazu DOI, na ResearchGate a jako soubor PDF ke stažení z našich webových stránek.
Kdo hodnotí lékařský obsah na Kantesti?
Veškerý lékařský obsah napsal a recenzoval Dr. Thomas Klein, náš hlavní lékař. Dr. Klein je atestovaný klinický hematolog působící na katedře hematologie Istanbulské univerzity Nisantasi s více než 15 lety zkušeností v laboratorní medicíně a diagnostice s využitím umělé inteligence. Další dohled zajišťuje naše 12členná lékařská poradní rada.
Analýza krevních testů ověřená umělou inteligencí
Přidejte se k milionům uživatelů po celém světě, kteří důvěřují Kantestiho analyzátor krevních testů s umělou inteligencí pro klinicky ověřenou interpretaci krevních testů ve více než 75 jazycích.
Firemní transparentnost
Věříme v plnou transparentnost ohledně toho, kdo jsme a jak fungujeme. Níže naleznete registrační údaje naší společnosti a informace o vedení.
Kantesti AI - PIYA AI
Právní subjekt: PIYA AI (majitel značky Kantesti)
Typ podnikání: Technologie umělé inteligence ve zdravotnictví
Založeno: 2019
Velitelství: Kolín nad Rýnem, Německo
Kontakt: [email protected]
Telefon: +49 177 497 4039
Vedení
Zakladatel a generální ředitel: Julian Emirhan Bulut
Vizionářský podnikatel, který vede inovace v oblasti umělé inteligence v oblasti zdravotnických technologií. Vytváří přístupné nástroje pro interpretaci krevních testů pro zlepšení globálního zdraví.
Spojte se na LinkedInuHlavní lékař: MUDr. Thomas Klein
Certifikovaný klinický hematolog, vedoucí lékařskou validaci a klinický dohled.
Shoda s předpisy a certifikace
Ochrana osobních údajů: V souladu s GDPR (EU)
Ochrana osobních údajů ve zdravotnictví: Ochranné záruky v souladu s HIPAA (USA)
Zabezpečení: Ovládací prvky SOC 2 typu II
Řízení kvality: V souladu s ISO 27001
Zdravotnický prostředek: Není klasifikováno jako zdravotnický prostředek – pouze informační nástroj
Reference a normy
Naše validační metodologie a klinické standardy vycházejí ze zavedených lékařských směrnic a mezinárodních standardů.
- [1] Světová zdravotnická organizace (WHO). Využití glykovaného hemoglobinu (HbA1c) v diagnostice diabetu mellitus. Ženeva: WHO; 2011. Dostupné z: https://www.who.int/diabetes/publications/diagnosis_diabetes2011/en/
- [2] Mezinárodní organizace pro normalizaci. ISO 15189:2022 Lékařské laboratoře – Požadavky na kvalitu a kompetenci. Ženeva: ISO; 2022. https://www.iso.org/standard/76677.html
- [3] Institut pro klinické a laboratorní standardy (CLSI). EP09c: Porovnání postupů měření a odhad zkreslení s využitím vzorků pacientů. 3. vyd. Wayne, PA: CLSI; 2018.
- [4] Národní instituty zdraví (NIH). Referenční rozmezí krevních testů. Bethesda, MD: NIH; Aktualizováno 2024. Dostupné z: MedlinePlus
- [5] Americká asociace pro klinickou chemii (AACC). Referenční rozmezí laboratorních testů. Washington, D.C.: AACC; 2024. https://www.aacc.org/
- [6] Mezinárodní federace klinické chemie (IFCC). Referenční měřicí postupy. Milán: IFCC; 2023. https://www.ifcc.org/
- [7] Klein T. Rámec klinické validace pro interpretaci krevních testů s využitím umělé inteligence: Metodika trojité zaslepené validace, metriky výkonu a protokoly zajištění kvality. Technická zpráva KANTESTI-TR-2025-001, verze 2.0. Kantesti AI; 2025. DOI: 10.5281/kantesti.2025.mv2
- [8] Ministerstvo zdravotnictví a sociálních služeb USA. Zásady ochrany osobních údajů HIPAA. 45 CFR Část 160 a podčásti A a E Části 164. Washington, DC: HHS; 2013.
- [9] Evropský parlament a Rada. Obecné nařízení o ochraně osobních údajů (GDPR). Nařízení (EU) 2016/679. Brusel: EU; 2016.
Čeština