Добивки:
- Способност да се комбинираат слики, сигнали, податоци и делови од регулација во единствен одговорен работен тек на биомедицинска вештачка интелигенција
- Способност да се применат принципите за ревизија, следливост и следење после дистрибуцијата
- Способност да се одржи лимитот во секоја фаза кога вештачката интелигенција не го заменува одобрението од лекарите и инженерите
Модул испит
1. Кој од наведеното е основниот принцип што го одредува ризикот од излезна вештачка интелигенција во биомедицинскиот инженеринг?
- А) Ризикот од резултатот е еднаков на штетата што би ја предизвикал на пациентот доколку е неточен; валидација скали соодветно ✔
- Б) Излезот на вештачката интелигенција е генерално безбеден бидејќи е напишан течно и технички
- В) Потврдувањето е непотребно кога се користи најактуелниот модел
- Г) Ако излезот се однесува на прирачник, не се потребни дополнителни проверки
Објаснување: Ризикот од излез е еднаков на штетата за пациентот ако тој излез е неточен. Додека мала грешка во резимето на литературата е низок ризик, грешката при внесување на детекција на слика или клиничка одлука директно ја загрозува безбедноста на пациентот; Затоа, интензитетот на верификација се скали со потенцијална штета и секоја одлука што ја вклучува безбедноста на пациентот зависи од одобрението на лекарот.
2. Која е правилната улога на моделот за откривање поддржан од ВИ во клиничката употреба во радиологијата?
- А) Автоматски одобрувајте го извештајот на радиологот и елиминирајте го обемот на работа
- Б) Затворање случаи со низок приоритет без посета на радиолог
- В) Ако веројатноста за моделот е висока, направете дијагноза без дополнително испитување
- Г) Да се биде алатка за поддршка која го привлекува вниманието на наодот и му дава приоритет, но одговорноста за дијагнозата останува на радиологот ✔
Опис: Image AI е алатка за поддршка на одлуки: привлекува, дава приоритети, мерки и означува; сепак, дијагностичката одговорност останува на радиологот. Излезот на моделот не е замена за одлуката на радиологот, тој е само влез. Излезот се користи заедно со независна клиничка евалуација бидејќи секогаш се можни лажни позитивни и лажни негативни.
3. Кој е најчестиот проблем при пренесување на перформансите на модел со вештачка интелигенција од една во друга лабораторија во дигиталната патологија?
- А) Моделот работи многу брзо
- Б) Датотеките со слајдови се премногу мали
- В) Поместување на доменот предизвикано од разлики во боење и скенирање ✔
- Г) Патолозите воопшто не сакаат да го користат моделот
Опис: Протоколот за боење, брендот на скенерот и дебелината на делот варираат од лабораторија до лабораторија; Ако моделот научил врз основа на статистиката на сликата на една лабораторија, неговите перформанси ќе се намалат во друга лабораторија. Овој феномен се нарекува промена на доменот и е најчеста причина за неуспех во дигиталната патологија; Затоа надворешната валидација и нормализацијата на бојата се критични.
4. Кој треба да биде првиот потврден рефлекс на инженерот кога моделот за класификација на ЕКГ означува „атријална фибрилација“?
- А) Пишување на етикетата директно во досието на пациентот како дијагноза
- Б) Проверете го необработениот сигнал, артефактите и физиолошката веродостојност и оставете ја одлуката на лекарот ✔
- В) Доколку оценката за доверба на моделот е висока, нема потреба од друга контрола.
- Г) Упатување на пациентот на третман со лекови
Објаснување: Излезот прво треба да се тестира за физиолошка веродостојност и квалитет на сигналот: повлекување на основната линија, мускулен артефакт или релаксација на електродата во снимањето може да го имитираат ритамот. Погрешно е да се верува на етикетата без да се гледа необработениот сигнал и интервалите R-R; Конечната дијагноза на ритамот му припаѓа на лекарот. Моделот произведува прелиминарен сигнал, не донесува одлука.
5. Која е клучната карактеристика на AI обработката на ЕЕГ сигналите што ја отежнува проверката особено?
- А) Низок сооднос сигнал-шум и висок артефакт/променливост ✔
- Б) ЕЕГ сигналот е со многу висока амплитуда и бесшумен
- В) Снимање ЕЕГ од само еден канал
- Г) Податоците за ЕЕГ никогаш не се дигитални
Објаснување: ЕЕГ е сигнал со многу мала амплитуда (микроволтен опсег) и лесно се контаминира со артефакти како што се трепкање на очите, движење на мускулите, електрода и мрежен шум; Дополнително, варијабилноста помеѓу поединците и снимките е висока. Овој низок сооднос сигнал-шум предизвикува излезите на моделот да бидат кревки и бара валидација од стручен неврофизиолог.
6. Која е најважната граница при работа со податоци за отчукувањата на срцето од потрошувачки уред што може да се носи?
- А) Батеријата на уредот брзо се исцрпува
- Б) Чување податоци во облакот
- В) Уредот често не е медицински сертифициран и сигналот е подложен на артефакт/пристрасност ✔
- Г) Уредот е премногу скап
Обелоденување: Повеќето потрошувачки уреди за носење не се сертифицирани како медицински уреди; На сигналот PPG (фотоплетизмографија) влијае артефакт на движење, а факторите како темниот тон на кожата и тетоважите може да ја намалат прецизноста. Овие податоци се вредни за склоност/свесност, но потврдено клиничко мерење и евалуација од лекар се потребни за дијагностичка одлука.
7. Што значи „временско истекување“ при градење на предвидувачки модел со податоци за електронска здравствена евиденција (EHR)?
- А) Шифрирано складирање на податоци
- Б) Истекување на идни информации во карактеристики кои сè уште не постојат во моментот на предвидување ✔
- В) Податоците се премногу стари
- Г) Пребавно тренирање на моделот
Објаснување: Временското истекување е мешање на карактеристиките на обуката со информации што сè уште не се достапни во моментот на предвидување (иднина); на пример, користење на дијагноза на испуштање за да се предвиди ризикот при прием. Ова води до високи перформанси во лабораторија, но паѓање на перформансите во вистинска клиничка употреба и е една од најподмолните недостатоци на моделите на клинички податоци.
8. Што од следново станува задолжително кога самиот софтвер е опишан како „софтвер за медицински уреди“ (SaMD)?
- А) Доволно е само брзо работење
- Б) Не бара никаква документација
- В) Потребен е само убав интерфејс
- Г) Контролата на дизајнот, управувањето со ризикот, верификацијата/валидацијата и усогласеноста со регулативата стануваат задолжителни ✔
Опис: SaMD (Софтвер како медицински уред) е софтвер кој работи за дијагноза, третман или следење и не зависи од никаков хардвер. Во овој случај, контролите на дизајнот, управувањето со ризикот (ISO 14971), верификацијата/валидацијата и усогласеноста со регулативата се задолжителни; Софтверот не може да се третира како „само софтвер“ бидејќи неговиот неуспех директно влијае на безбедноста на пациентот.
9. Кој е најкритичниот ризик кога барате од вештачката интелигенција клаузула или стандарден број MDR (Директива за медицински уреди)?
- А) Моделот произведува лажни написи/стандардни референци и ги прикажува безбедно ✔
- Б) Моделот го дава одговорот премногу краток
- В) Моделот одговара на англиски јазик
- Г) Моделот реагира премногу бавно
Објаснување: Јазичните модели можат самоуверено да произведат непостоечки броеви на ставки, неточни стандардни верзии и измислени референци (халуцинација). Во регулаторната усогласеност, неточната референца на супстанцијата доведува до сериозно откажување на усогласеноста; така што секоја атрибуција треба да се проверува независно од официјалниот текст, вештачката интелигенција треба да се користи само за навигација/нацртување.
10. Во која категорија спаѓаат здравствените податоци во опсегот на КВКК и што значи тоа?
- А) Обични лични податоци; може слободно да се обработува
- Б) Тоа не се лични податоци; нема ограничување
- В) Посебни категории на лични податоци; Обработено со построги услови и заштити ✔
- Г) Само трговска тајна; не е потребна приватност
Објаснување: Здравствените податоци се сметаат за „посебни лични податоци“ во KVKK; По правило, обработката зависи од експлицитна согласност или исклучоци пропишани со закон и бара построги мерки за заштита. Затоа, податоците за пациентот не можат да се внесат во неконтролирани алатки; Договорите за анонимизација, ограничување на пристап и обработка на податоци се задолжителни.
11. Што значи „калибрација“ во клинички модел на вештачка интелигенција и зошто е тоа важно?
- А) Колку брзо работи моделот
- Б) Колку параметри има моделот?
- В) Боја на интерфејсот на моделот
- Г) Компатибилност на веројатностите дадени од моделот со реалните фреквенции на настани ✔
Explanation: Calibration is the fitting of the probabilities given by the model to the actual frequencies: the event should actually occur in about 20% of the patients for whom it says '20% risk'. Since decisions in the clinic are made based on probability thresholds, a poorly calibrated model will lead to incorrect threshold decisions even if it ranks correctly; затоа, калибрацијата како и дискриминацијата (AUC) мора да се проверат.
12. Зошто „перформанси на подгрупата“ треба посебно да се проверуваат во моделите на слики, сигнали или клинички податоци?
- А) Само целосна точност е секогаш доволна
- Б) Бидејќи подгрупите влијаат на брзината на моделот
- В) Генеричката метрика може да ги скрие слабите перформанси и пристрасноста во одредени групи на пациенти ✔
- Г) Анализата на подгрупата е неопходна само за маркетинг
Објаснување: Иако моделот може да изгледа добро во просек, може да има значително полошо работење во одредени подгрупи (возраст, пол, боја на кожа, тип на уред, болница); Општата метрика ја крие оваа нееднаквост. Во здравството, ова води до систематска штета кај некои групи на пациенти; Затоа, изведбата треба да се подели во подгрупи и да се пријави за правичност.
13. Кој е најдобриот пристап против ризикот од „повторна идентификација“ при работа со податоци за пациентите?
- А) Само бришење на името е доволно под сите околности.
- Б) Генерализирајте ги индиректните идентификатори, како и директните идентификатори и ограничете го пристапот ✔
- В) Ако податоците припаѓаат на мал број луѓе, не се потребни никакви мерки на претпазливост
- Г) Само менување на името на датотеката наместо шифрирање
Опис: Дури и податоците избришани со име може повторно да се идентификуваат со ретки комбинации на дијагноза, датум на раѓање, поштенски број и датум. Значи, не е доволно само да се извлечат директни идентификатори; Техниките како што се поместување датум, генерализација, k-анонимност и контрола на пристап треба да се применуваат заедно, а чувствителниот слободен текст исто така треба да се исчисти.
14. Која е основната причина за одржување на контролата „човек-во-јамка“ од крај до крај во работниот тек на биомедицинската вештачка интелигенција?
- А) Човечката контрола создава само бавност и треба да се отстрани
- Б) Ако резултатот за доверба на моделот е висок, човечката валидација е непотребна
- В) Нема друга практична причина освен законска обврска
- Г) ВИ е предмет на пристрасност и грешка; Одлуките и одговорноста за безбедноста на пациентот треба да останат кај квалификуван специјалист ✔
Опис: Вештачката интелигенција генерира, дава приоритети и подготвува хипотези; но обрасците што ги учи од податоците може да бидат нецелосни, пристрасни или надвор од контекст. It is imperative that decisions regarding patient safety remain with the approval of the authorized physician and engineer, both to catch errors and to keep the responsibility in the right place; ВИ не го заменува ова одобрение во ниту една фаза.