Medicīniskā validācija un klīniskie standarti AI asins analīžu analīze
Trīskārši akla klīniskās validācijas metodoloģija, sertificētu ārstu uzraudzība un reālās pasaules iznākumu korelācijas pētījumi, kas nodrošina pasaulē uzticamāko pakalpojumu klāstu. AI asins analīžu analizators.
Primārie pierādījumi un dokumentācija
Šajā lapā sniegtie apgalvojumi un validācijas dati ir dokumentēti mūsu tehniskajā ziņojumā (salīdzinošā vērtēšana gaidāma). Pilna metodoloģija un pamatojošie pierādījumi ir pieejami zemāk.
Klīniskās validācijas ietvars mākslīgā intelekta darbinātai asins analīžu interpretācijai
Trīskārši aklās validācijas metodoloģija, veiktspējas rādītāji un kvalitātes nodrošināšanas protokoli
Klīniskās validācijas sistēma
Kantesti AI asins analīžu interpretācija Platforma tiek pakļauta stingrai medicīniskai validācijai, lai nodrošinātu klīniskās klases uzticamību. Mūsu daudzpakāpju validācijas process apvieno mašīnmācīšanās validāciju ar tradicionālajām klīniskās pārskatīšanas metodoloģijām.
Katrs algoritma atjauninājums pirms nonākšanas ražošanā iziet trīskārši aklu klīnisko validāciju. Šajā lapā ir dokumentēta mūsu pilnīgā validācijas sistēma, ārstu uzraudzības struktūra un nepārtrauktas kvalitātes uzraudzības protokoli.
Trīskārši akls klīniskās validācijas process
Mūsu validācijas metodoloģija novērš apstiprinājuma neobjektivitāti, izmantojot trīs posmu neatkarīgu pārskatīšanas procesu. Katrs posms darbojas, nezinot citu posmu secinājumus, tādējādi nodrošinot objektīvu precizitātes mērīšanu.
Mākslīgā intelekta interpretācija
Mākslīgā intelekta sistēma analizē asins analīžu rezultātus bez piekļuves klīniskajai diagnozei, pacienta vēsturei vai ārsta piezīmēm. Šī aklā analīze nodrošina, ka mākslīgā intelekta interpretācija balstās tikai uz biomarķieru datiem un noteiktajiem atsauces diapazoniem.
- Nav piekļuves klīniskajai diagnozei
- Ar populāciju koriģēti atsauces diapazoni
- Daudzparametru korelācijas analīze
Ārsta atsauksme
Sertificēti patologi neatkarīgi pārskata vienus un tos pašus asins analīžu rezultātus. Ārstiem nav piekļuves mākslīgā intelekta interpretācijām, kas nodrošina viņu klīnisko spriedumu objektīvumu.
- Sertificēti klīniskie patologi
- Nav redzamības AI izvadei
- Standartizēti pārskatīšanas protokoli
Neatkarīgs salīdzinājums
Trešās puses klīniskā komanda salīdzina mākslīgā intelekta rezultātus ar ārstu vienprātību, nezinot, kura interpretācija ir nākusi no kura avota. Neatbilstības izraisa papildu pārskatīšanas ciklus.
- Aklās salīdzināšanas metodoloģija
- Statistiskā atbilstības analīze
- Pilnīga audita takas dokumentācija
Trīskārši aklās validācijas darbplūsma
Mūsu validācijas process nodrošina objektīvu precizitātes novērtējumu, izmantojot neatkarīgas paralēlas pārskatīšanas plūsmas, kas saplūst tikai galīgās salīdzināšanas laikā.
Trīskārši aklās validācijas metodoloģija: mākslīgā intelekta interpretācija (1. posms), ārsta pārskats (2. posms) un neatkarīga salīdzināšana (3. posms) darbojas paralēli bez savstarpējas redzamības.
Validēta veiktspēja pēc testa kategorijas
Veiktspējas rādītāji ir apstiprināti, veicot trīskārši aklu klīnisko pārskatu vairāk nekā 1 000 000 testa gadījumu. Rezultāti uzrāda konsekventu precizitāti visās galvenajās biomarķieru kategorijās.
Kopējais precizitātes kopsavilkums
Kopējā precizitāte: 98,7% — Svērtais vidējais rādītājs visās testa kategorijās, pamatojoties uz trīskārši aklu ārstu konkordanci. Atsevišķu kategoriju sniegums svārstās no 98,1% līdz 99,3% jutīgumam. Skatīt 4.1. ziņojuma 2. tabulu.
Klīniskā iznākuma korelācija: 87% — Longitudināla korelācija ar apstiprinātām diagnozēm reālās pasaules novērošanas pētījumos. Skatīt ziņojumu §4.3
| Testa kategorija | Jūtība | Specifiskums | Parauga lielums |
|---|---|---|---|
| Pilna asins aina (CBC) | 99.3% | 99.0% | 285,000 |
| Visaptveroša vielmaiņas panelis | 99.1% | 98.9% | 198,000 |
| Lipīdu panelis | 98.8% | 98.5% | 167,000 |
| Vairogdziedzera funkcija | 98.4% | 98.1% | 142,000 |
| Aknu funkcionālie testi | 98.9% | 98.6% | 124,000 |
| Nieru funkciju panelis | 99.2% | 99.0% | 84,000 |
Iedzīvotāju skaita konsekvence
Validācijas rezultāti parāda 99% precizitātes konsekvenci visās demogrāfiskajās grupās neatkarīgi no etniskās piederības, vecuma, dzimuma vai ģeogrāfiskā reģiona. Iedzīvotāju proporcionāla izlase nodrošina reprezentatīvu aptvērumu 197 valstīs.
Globālās validācijas datu kopas izplatīšana
Mūsu 15 miljonu paraugu apmācības datu kopa un vairāk nekā 1 miljons validācijas gadījumu ir sadalīti visos galvenajos pasaules reģionos, lai nodrošinātu populācijas reprezentativitāti.
Medicīnas konsultatīvā padome
Mūsu Medicīnas konsultatīvā padome nodrošina klīnisko uzraudzību pār visu mākslīgā intelekta algoritmu izstrādi un validāciju. Padomes locekļi pārstāv dažādas specialitātes no vairākām valstīm, apvienojot vairāk nekā 180 gadu pieredzi klīniskajā medicīnā.
Tomass Kleins, medicīnas doktors
Galvenais medicīnas darbinieks (CMO) Klīniskā hematoloģija un mākslīgā intelekta diagnostikaDr. Sāra Mičela, MD, PhD
Galvenais medicīnas padomnieks Klīniskā patoloģija un laboratorijas medicīnaProfesors Dr. Hanss Vēbers
Vecākais medicīnas konsultants Laboratorijas medicīna un klīniskā ķīmijaDr. Marija Rodrigesa, MD, MPH
Medicīnas konsultants Iekšķīgā medicīna un profilaktiskā medicīnaDr. Čens Vei, medicīnas doktors, maģistrs
Medicīnas konsultants Endokrinoloģija un vielmaiņas medicīnaIepazīstieties ar mūsu Medicīnas konsultatīvo padomi, kurā ir detalizēti profili, akreditācijas dati un pētniecības pieredze.
Skatīt visus konsultantus →Nepārtraukta kvalitātes uzraudzība
Pēc izvietošanas validācija turpinās, izmantojot strukturētus uzraudzības protokolus. Reālās pasaules sniegums tiek salīdzināts ar klīniskajiem rezultātiem, un atgriezeniskās saites cilpas nodrošina nepārtrauktu uzlabošanu.
Mēneša veiktspējas pārskati
Visaptveroša precizitātes analīze visās biomarķieru kategorijās, demogrāfiskajos segmentos un ģeogrāfiskajos reģionos. Tendenču noteikšana nodrošina proaktīvu kvalitātes vadību.
Starplaboratoriju konkordance
Testēšana vairāk nekā 500 laboratorijas sistēmās apstiprina nemainīgu veiktspēju neatkarīgi no iekārtu ražotāja, metodoloģijas vai kalibrēšanas standartiem.
Klīnisko iznākumu pētījumi
Longitudinālie korelācijas pētījumi izseko mākslīgā intelekta interpretācijas attiecībā pret apstiprinātām diagnozēm, panākot 87% korelāciju ar klīniskajiem rezultātiem dažādās pacientu populācijās.
Veselības aprūpes pakalpojumu sniedzēju atsauksmes
Strukturēta ārstu un laboratorijas speciālistu atsauksmju integrācija. Atzīmētās interpretācijas tiek pārskatītas Medicīnas konsultatīvās padomes ietvaros, un korekcijas ir integrētas apmācībā.
Apmācības dati un kvalitātes nodrošināšana
Mūsu mākslīgā intelekta modelis ir apmācīts, izmantojot vienu no nozarē lielākajām atlasītajām asins analīžu datu kopām, un stingras kvalitātes kontroles nodrošina datu integritāti un klīnisko atbilstību.
Datu kopas sastāvs
- Kopējais paraugu skaits15 miljoni
- Ģeogrāfiskais pārklājums197 valstis
- Laboratorijas avotiVairāk nekā 500 sertificētu laboratoriju
- Datumu diapazons2015-2025
- Biomarķieru veidi450+ parametri
Kvalitātes kontrole
Daudzpakāpju datu kvalitātes nodrošināšana:
- Tikai ISO 15189 sertificēti laboratorijas avoti
- Nepilnīgu vai bojātu ierakstu dzēšana
- Pirmsanalītisku kļūdu noteikšana noviržu gadījumā
- Visu datu kopu izcelsmes pārbaude
- HIPAA/VDAR atbilstoša anonimizācija
Tehnoloģiju un atbilstības partneri
Mūsu validācijas infrastruktūras un mākslīgā intelekta izstrāde tiek atbalstīta, sadarbojoties ar nozarē vadošajiem tehnoloģiju nodrošinātājiem.
Microsoft FoundersHub
Mākoņinfrastruktūra un uzņēmuma līmeņa mākslīgā intelekta izstrādes platforma, kas atbalsta mērogojamus validācijas darbplūsmas.
NVIDIA sākuma programma
GPU skaitļošanas resursi un mākslīgā intelekta modeļa optimizācija, kas nodrošina efektīvu apmācību ar vairāk nekā 15 miljoniem paraugu datu kopu.
Google mākoņa mākslīgais intelekts
Mašīnmācīšanās infrastruktūra, kas atbalsta izkliedētu modeļu apmācību un secinājumu izdarīšanu reāllaikā.
Mākoņa uzliesmojums
Globāls perifērijas tīkls, kas nodrošina drošu piekļuvi ar zemu latentumu 197 valstīs.
SOC 2 II tipa kontroles
Drošības kontroles saskaņotas ar AICPA standartiem
Atbilst ISO 27001 standartam
Informācijas drošības pārvaldības kontroles
HIPAA saskaņotas vadīklas
ASV veselības aprūpes datu aizsardzības pasākumi
Atbilst GDPR prasībām
Eiropas datu aizsardzības regula
Atbilstoša lietošana un ierobežojumi
Atbildīgai mākslīgā intelekta ieviešanai veselības aprūpē ir būtiska pārredzamība attiecībā uz iespējām un ierobežojumiem. Kantesti ir izstrādāts kā lēmumu atbalsta rīks, lai papildinātu, nevis aizstātu, profesionālu medicīnisko spriedumu.
Informācijai nav piekļuves
Mūsu mākslīgais intelekts interpretē biomarķieru datus izolēti. Sistēmai nav pieejams šāds klīniskais konteksts:
- Pilnīga pacienta medicīniskā vēsture
- Pašreizējās zāles un iespējamā mijiedarbība
- Fiziskās apskates rezultāti
- Ģenētiskie faktori un ģimenes anamnēze
- Dzīvesveida faktori (ja vien lietotājs nav sniedzis informāciju)
Laboratorijas metodoloģijas variācijas
Atsauces diapazoni dažādās laboratorijās atšķiras iekārtu atšķirību un kalibrēšanas standartu dēļ. Mūsu datubāze ar vairāk nekā 45 000 laboratorijai specifiskiem diapazoniem aptver lielāko daļu variāciju, taču lietotājiem ir jāpārbauda, vai iegūtās vērtības atbilst viņu sākotnējam ziņojumam.
Dokumentu kvalitātes apsvērumi
OCR precizitāte ir atkarīga no dokumenta kvalitātes. Rokrakstā rakstīti rezultāti vai zemas izšķirtspējas skenējumi var ietekmēt vērtību iegūšanu. Pirms analīzes visām iegūtajām vērtībām ir pieejama manuāla korekcija.
Medicīniskā atruna
Kantesti ir mākslīgā intelekta darbināts informatīvs rīks, kas interpretē asins analīžu rezultātus, pamatojoties uz noteiktajām medicīniskajām atsauces vērtībām un klīniskajām vadlīnijām. Tā NAV medicīniska ierīce un nediagnosticē, neārstē, neizārstē un nenovērš nevienu slimību.
Sniegtā informācija ir paredzēta tikai izglītojošiem un informatīviem nolūkiem, un to nevajadzētu uzskatīt par medicīnisku padomu. Pirms lēmumu pieņemšanas par savu veselību vai ārstēšanu vienmēr konsultējieties ar kvalificētu veselības aprūpes speciālistu.
Medicīniskās palīdzības gadījumos nekavējoties sazinieties ar neatliekamās palīdzības dienestiem. Kantesti nav paredzēts ārkārtas situācijām.
Interešu konflikta un finansējuma atklāšana
Šo validācijas dokumentāciju publicē Kantesti/PIYA AI. Medicīnas konsultatīvās padomes locekļi saņem atlīdzību par savu padomdevēja lomu. Medicīnas direktors (Tomass Kleins, MD) ir pilnas slodzes Kantesti AI darbinieks. Visi validācijas dati ir neatkarīgi pārbaudīti, izmantojot trīskārši aklo metodiku. Validācijas pētījumiem netika saņemts ārējs finansējums. Uzņēmums pats sevi finansē, pateicoties ieņēmumu un tehnoloģiju partnerībām ar Microsoft, NVIDIA, Google Cloud un Cloudflare.
Bieži uzdotie jautājumi par medicīnisko validāciju
Ko nozīmē "trīskārši akla validācija"?
Trīskārši akla validācija nozīmē, ka trīs neatkarīgas puses analizē vienus un tos pašus datus, nezinot viena otras secinājumus. Mūsu mākslīgais intelekts interpretē asins analīzes bez klīniskā konteksta, ārsti veic neatkarīgu pārskatīšanu, neredzot mākslīgā intelekta rezultātus, un trešā komanda salīdzina rezultātus, nezinot, kuri dati ir iegūti no mākslīgā intelekta un kuri no ārstiem. Tas novērš apstiprinājuma neobjektivitāti un nodrošina objektīvu precizitātes mērījumu.
Cik bieži tiek atjaunināts mākslīgā intelekta modelis?
Mūsu modelis tiek pārkvalificēts reizi ceturksnī, iekļaujot jaunus validētus datus, atjauninātas klīniskās vadlīnijas un jaunākos biomarķieru pētījumus. Katrs atjauninājums pirms ieviešanas iziet pilnu trīskārši aklo validācijas protokolu. Atjauninājumi, kas neatbilst mūsu precizitātes slieksnim, tiek noraidīti.
Kāpēc precizitāte atšķiras atkarībā no testa kategorijas?
Dažiem biomarķieriem ir standartizētāki atsauces diapazoni visā pasaulē (piemēram, elektrolītiem), savukārt citi vairāk atšķiras starp laboratorijām un populācijām (piemēram, vairogdziedzera hormoni). Kategorijas ar lielāku variāciju uzrāda nedaudz zemāku precizitāti interpretācijas sarežģītības dēļ.
Vai es varu uzticēties mākslīgā intelekta interpretācijai medicīnisku lēmumu pieņemšanā?
Kantesti ir izstrādāts kā lēmumu atbalsta rīks, nevis profesionāla medicīniskā sprieduma aizstājējs. Mūsu mākslīgais intelekts sniedz validētas interpretācijas, pamatojoties uz noteiktiem atsauces diapazoniem, taču klīniskajam kontekstam, tostarp jūsu slimības vēsturei, medikamentiem un simptomiem, ārstēšanas lēmumu pieņemšanai ir nepieciešams ārsta novērtējums. Vienmēr konsultējieties ar savu veselības aprūpes sniedzēju.
Kā validācijas procesā tiek ņemta vērā iedzīvotāju daudzveidība?
Mūsu apmācības dati ietver 15 miljonus paraugu, kas proporcionāli sadalīti 197 valstīs, un populācijas svērtā izlase nodrošina visu galveno etnisko un ģeogrāfisko grupu pārstāvniecību. Ceturkšņa taisnīguma auditi pārbauda precizitātes konsekvenci dažādās demogrāfiskajās grupās, saglabājot 99% konsekvenci visos populācijas segmentos.
Kas notiek, ja mākslīgais intelekts pieļauj kļūdu?
Veselības aprūpes sniedzēji un lietotāji var atzīmēt interpretācijas, lai tās pārskatītu Medicīnas konsultatīvā padome. Atzīmētos gadījumus analizē mūsu mārketinga vadītājs Tomass Kleins (Thomas Klein), medicīnas komanda. Ja kļūdas tiek apstiprinātas, labojumi tiek integrēti turpmākajos apmācību ciklos. Mūsu nepārtrauktā uzraudzība seko līdzi reālajai veiktspējai, lai proaktīvi identificētu un risinātu sistemātiskas problēmas.
Kur es varu atrast pilnu validācijas ziņojumu?
Mūsu pilnīgā validācijas metodoloģija ir dokumentēta tehniskajā ziņojumā "Klīniskās validācijas sistēma mākslīgā intelekta balstītai asins analīžu interpretācijai" (ziņojuma ID: KANTESTI-TR-2025-001, DOI: 10.5281/kantesti.2025.mv2). Pilns ziņojums ir pieejams, izmantojot DOI saiti, ResearchGate platformā un lejupielādējamā PDF formātā no mūsu tīmekļa vietnes.
Kas pārskata medicīnisko saturu vietnē Kantesti?
Visu medicīnisko saturu raksta un pārskata mūsu galvenais medicīnas darbinieks Dr. Tomass Kleins. Dr. Kleins ir sertificēts klīniskais hematologs, kas strādā Stambulas Nišantaši universitātes Hematoloģijas nodaļā, ar vairāk nekā 15 gadu pieredzi laboratorijas medicīnā un mākslīgā intelekta asistētā diagnostikā. Papildu uzraudzību nodrošina mūsu 12 locekļu Medicīnas konsultatīvā padome.
Pieredzes apstiprināta mākslīgā intelekta asins analīžu analīze
Pievienojieties miljoniem lietotāju visā pasaulē, kuri uzticas Kantesti mākslīgā intelekta asins analīžu analizators klīniski apstiprinātai asins analīžu interpretācijai vairāk nekā 75 valodās.
Korporatīvā pārredzamība
Mēs ticam pilnīgai caurspīdībai par to, kas mēs esam un kā mēs darbojamies. Zemāk atradīsiet mūsu uzņēmuma reģistrācijas informāciju un vadības informāciju.
Kantesti AI — PIYA AI
Juridiska persona: PIYA AI (Kantesti zīmola īpašnieks)
Uzņēmuma veids: Mākslīgā intelekta veselības aprūpes tehnoloģijas
Dibināts: 2019
Galvenā mītne: Ķelne, Vācija
Kontaktpersona: [email protected]
Tālrunis: +49 177 497 4039
Vadība
Dibinātājs un izpilddirektors: Džulians Emirhans Buluts
Vīzionāls uzņēmējs, kas vada mākslīgā intelekta inovācijas veselības aprūpes tehnoloģijās. Veido pieejamus asins analīžu interpretācijas rīkus globālai veselības uzlabošanai.
Sazinieties vietnē LinkedInGalvenais medicīnas darbinieks: Tomass Kleins, medicīnas doktors
Sertificēts klīniskais hematologs, kas vada medicīnisko validāciju un klīnisko uzraudzību.
Atbilstība un sertifikācija
Datu aizsardzība: Atbilst GDPR (ES) prasībām
Veselības aprūpes konfidencialitāte: HIPAA saskaņotie drošības pasākumi (ASV)
Drošība: SOC 2 II tipa kontroles
Kvalitātes vadība: Atbilst ISO 27001 standartam
Medicīnas ierīce: Nav klasificēts kā medicīnas ierīce — tikai informatīvs līdzeklis
Atsauces un standarti
Mūsu validācijas metodoloģija un klīniskie standarti ir balstīti uz noteiktajām medicīnas vadlīnijām un starptautiskajiem standartiem.
- [1] Pasaules Veselības organizācija (PVO). Glikozētā hemoglobīna (HbA1c) izmantošana cukura diabēta diagnostikā. Ženēva: PVO; 2011. Pieejams no: https://www.who.int/diabetes/publications/diagnosis_diabetes2011/en/
- [2] Starptautiskā standartizācijas organizācija. ISO 15189:2022 Medicīnas laboratorijas — Kvalitātes un kompetences prasības. Ženēva: ISO; 2022. https://www.iso.org/standard/76677.html
- [3] Klīnisko un laboratorijas standartu institūts (CLSI). EP09c: Mērīšanas procedūru salīdzinājums un neobjektivitātes novērtēšana, izmantojot pacientu paraugus. 3. izd. Veins, PA: CLSI; 2018. gads.
- [4] Nacionālie veselības institūti (NIH). Asins analīžu atsauces diapazoni. Betesda, Merilendas štats: NIH; Atjaunināts 2024. gadā. Pieejams no: MedlinePlus
- [5] Amerikas Klīniskās ķīmijas asociācija (AACC). Laboratorijas testu atsauces diapazoni. Vašingtona, DC: AACC; 2024. https://www.aacc.org/
- [6] Starptautiskā klīniskās ķīmijas federācija (IFCC). Atsauces mērījumu procedūras. Milāna: IFCC; 2023. https://www.ifcc.org/
- [7] Kleins T. Klīniskās validācijas ietvars mākslīgā intelekta darbinātai asins analīžu interpretācijai: trīskārši aklās validācijas metodoloģija, veiktspējas rādītāji un kvalitātes nodrošināšanas protokoli. Tehniskais ziņojums KANTESTI-TR-2025-001, versija 2.0. Kantesti AI; 2025. DOI: 10.5281/kantesti.2025.mv2
- [8] ASV Veselības un cilvēkresursu departaments. HIPAA privātuma noteikums. 45 CFR 160. daļa un 164. daļas A un E apakšdaļa. Vašingtona, DC: HHS; 2013.
- [9] Eiropas Parlaments un Padome. Vispārīgā datu aizsardzības regula (VDAR). Regula (ES) 2016/679. Brisele: ES; 2016.
Latviešu valoda