Analiza danych oparta na AI z autorską metodologią uczenia maszynowego
Większość potoków analitycznych daje odpowiedź, nie mówiąc, jak bardzo jest pewna. Analizujemy dane kliniczne, obrazowe, omiczne i rejestrowe z użyciem autorskiej metodologii zbudowanej na pracach profesora Arkadiusza Sitka nad obliczeniami bayesowskimi i uczeniem maszynowym: estymacji bayesowskiej i opartej na zbiorach początków dla zaszumionych pomiarów, analizie czynnikowej sygnałów dynamicznych oraz modelach trajektorii zdrowotnych opartych na transformerach. Każdy wynik otrzymują Państwo z oszacowaniem niepewności, planem walidacji i jasnym stwierdzeniem, czego dane nie są w stanie poprzeć.
Typowe pytania
- Czy istniejący zbiór danych może odpowiedzieć na pytanie, dla którego zamierzamy uruchomić nowe badanie?
- Jak wiarygodny jest model predykcyjny w naszej populacji, zanim zaczniemy na jego podstawie działać?
- Które sygnały w danych obrazowych lub szeregach czasowych niosą informację, a które są szumem?
- Czy model fundamentowy dokumentacji medycznej można odpowiedzialnie wykorzystać do oceny ryzyka w naszych warunkach?
Co Państwo otrzymują
- 1Plan analizy: pytanie, audyt danych, modele określone z góry, strategia walidacji i to, co będzie uznane za wynik negatywny
- 2Sama analiza: modele bayesowskie lub uczenia maszynowego dopasowane do Państwa danych, z raportowaną kalibracją, niepewnością i wynikami w podgrupach oraz kodem, który Państwa zespół może uruchomić
- 3Pisemny raport z rycinami, ograniczeniami i rekomendacjami, a na życzenie opis metod nadający się do raportu naukowego
Dla kogo
Zespoły biotechnologiczne i farmaceutyczne dysponujące danymi z badań lub z praktyki klinicznej, firmy obrazowania i diagnostyki, grupy akademickie z dostępem do biobanków lub rejestrów oraz inwestorzy potrzebujący niezależnej oceny deklarowanej skuteczności modelu.
Analizy prowadzimy na danych, które mogą Państwo udostępnić, na podstawie pisemnej umowy i w granicach EOG. Raportujemy to, co pokazują dane, włącznie z wynikami negatywnymi, i nie udzielamy porad medycznych, regulacyjnych ani prawnych.
Wybrane publikacje stojące za metodą
Algorytmy w literaturze źródłowej.
Metodologia opiera się na opublikowanych pracach profesora Sitka z zakresu obliczeń bayesowskich, statystycznej rekonstrukcji obrazów i uczenia maszynowego dla danych klinicznych. Każda pozycja prowadzi do oryginalnej publikacji.
- 1Reconstruction of emission tomography data using origin ensembles (otwiera się w nowej karcie)
Sitek A. IEEE Trans Med Imaging. 2011;30(5):946-956.
- 2Data analysis in emission tomography using emission-count posteriors (otwiera się w nowej karcie)
Sitek A. Phys Med Biol. 2012;57(21):6779-6795.
- 3Validation of Bayesian analysis of compartmental kinetic models in medical imaging (otwiera się w nowej karcie)
Sitek A, Li Q, El Fakhri G, Alpert NM. Phys Med. 2016;32(10):1252-1258.
- 4Statistical Computing in Nuclear Imaging (otwiera się w nowej karcie)
Sitek A. CRC Press, Series in Medical Physics and Biomedical Engineering; 2014.
- 5Zero shot health trajectory prediction using transformer (otwiera się w nowej karcie)
Renc P, Jia Y, Samir AE, et al., Sitek A. npj Digit Med. 2024;7:256.
- 6Foundation model of electronic medical records for adaptive risk estimation (otwiera się w nowej karcie)
Renc P, et al., Sitek A. GigaScience. 2025;14:giaf107.
- 7Direct estimation of fetal biometry measurements from ultrasound video scans through deep learning (otwiera się w nowej karcie)
Płotka S, et al., Sitek A. Am J Obstet Gynecol MFM. 2025;7:101623.
- 8Vascular phenotypes in early hypertension (otwiera się w nowej karcie)
Murray EC, Delles C, Orzechowski P, Renc P, Sitek A, Wagenaar J, Guzik TJ. J Hum Hypertens. 2023;37:898-906.
- 9Beyond language: generative artificial intelligence as a general computing model for medicine (otwiera się w nowej karcie)
Sitek A, Bates DW. Lancet Digit Health. 2026;8:101011.