1. Виклики та переваги
0:01
AI та охорона здоров’я

2. 0:02
Два слова про себе
Дмитро1
Жук2

3. 1:03
AI:
інструмент для розпізнавання
патернів в даних
y = f(x)

4. 1:04
DATA ≠ INFORMATION
20220224
24 лютого 2022 року
Повномасштабне
вторгнення РФ в
Україну

5. 1:05
Paris

6. 1:06
Hilton

7. 1:07
Hilton, Paris

8. 2:08
FHIR:
Fast Healthcare Interoperability Resources
HL7

9. 2:09
Категорії медичних даних
Clinical Trials
Клінічні дослідження
Medical Imaging
Медичні зображення
Clinical Test Results
Результати аналізів
Medical Records
Амбулаторні карти

10. 2:10
Структура FHIR
Level 1
Base Docs,
JSON,
XML,
Data types,
Extensions
Level 2
Security,
Privacy,
Conformance,
Terminology,
Exchange
Level 3
Patient,
Practitioner,
Organization,
Location,
Service
Level 4
Clinical,
Diagnostics,
Medications,
Workflow,
Financial
Level 5
Plan,
Guidance,
Measure,
Regulation,
Protocols
Foundation
Implementation
Administration
Records
Reasoning

11. 2:11
Приклад повідомлення FHIR (XML)
Credit: Martin Kwee

12. 2:12
Лячна діаграма (маленький фрагмент моделі)
Credit: Binh Le

13. 2:13
Чому FHIR потрібен в Україні
Внутрішній обмін медичними
даними пацієнтів
Лікування військових за
кордоном
Багато українців які
тимчасово проживають за
кордоном
Євроінтеграція

14. 2:14
Державна система eZdorovya

15. 2:15
Data Compliance — це дорого

16. 2:16
Консолідація даних — це дорого і складно
ID: Паспорт АБ123456
Прізвище: Петренко
Ім’я: Галина
По-батькові: Петрівна
Дата народження: 1971-11-11
Адреса: м. Харків, вул. Науки 12
ID: Паспорт БЦ654321
Прізвище: Зінченко
Ім’я: Галина
По-батькові: Петрівна
Дата народження: 1971-11-11
Адреса: м. Львів, вул. Героїв УПА 1

17. 2:17
Трансформація і консолідація — сценарії
Об’єднання ЗОЗ в єдиний
заклад (M&A, реорганізація)
Аналітика довгострокової
популяційної динаміки
Міграція ПЗ (нова версія
МІС, інша МІС тощо)
Моніторинг в періоди
епідемій і пандемій

18. 3:18
LLM:
що це і які є застосування
transformers

19. 3:19
GPT or not GPT?
GPT =
Generative Pre-Trained Transformer
GPT ~ OpenAI Chat GPT or GPT-4 …

20. 3:20
Pros
● Обробка текстових даних без жорсткого алгоритма — величезна
варіативність вхідних і вихідних даних, якої неможливо досягти за
допомогою детерміністичних підходів
● Fine-Tuning дозволяє ітеративно покращувати результати що
продукуються за допомогою прикладів

21. 3:21
Cons
● Повільність через те що виконується космічна кількість
арифметичних операцій
● Галюцинації — модель насправді нічого не “знає”, а тільки вгадує,
інколи це дає дивні результати
● Використання моделей як сервісів (OpenAI, Google etc) порушує
приватність даних пацієнта

22. 3:22
Висновок
Економія до 80%на структурних трансформаціях: data
mapping, data transformation, ETL
Принципова можливістьавтоматичної
консолідації даних

23. 3:23
Дякую за увагу