Общ преглед: Нашият клиент е европейски стартъп в областта на медицинските технологии, фокусиран върху откриването на сърдечносъдови аномалии. Целта на стартъпа е да отправи предизвикателство към пазара на базирано на ЕКГ сигнал откриване на сърдечни патологии, като например, но не само, предсърдно мъждене, преждевременни удари, субвентрикуларна тахикардия и т.н., получени от достъпни носими устройства като Polar H10. Компанията се нуждаеше от разработване на модел, базиран на ML и подготовка за сертифициране на медицинско изделие клас 2A, за да се гарантира, че тяхната система е безопасна и ефективна за използване от пациентите в домашни условия.
Екип: Екипът ни от експерти включваше Data Engineer, Data Scientists, ML Engineers и Project Manager.
Подход:
Фаза на проучване
Нашите Data Scientists си сътрудничиха с клиента, за да разберат съществуващата му система за обработка на ЕКГ сигнали, както и алгоритмите, базирани на изчисления. Създадохме инструмент за автоматизирано тестване, който оцени производителността на настоящото решение спрямо редица вътрешни и външни набори от медицински данни. Въз основа на този анализ предоставихме препоръки за подобряване на обхвата на откриваемите медицински състояния и определихме областите за подобрение.
Консултирахме клиента относно процеса на сертифициране и изготвихме план за действие за работата и документацията, свързани с ML, необходими за сертифицирането на клас 2A. Също така предоставихме препоръки за подобрения и съдействие за изпълнение, което помогна на клиента да подобри своята система за обработка на ЕКГ сигнали и алгоритми. Нашият екип завърши анализа и препоръките за по-малко от 8 седмици, като предостави приложими съвети, които помогнаха на клиента да намали времето за обработка на заявлението.
Фаза на разработване на модел за обработка на сигнали, базиран на ML
Клиентът предостави необработените данни за ЕКГ сигнала, включително маркирани данни с анотации на R-пикове, патологии, както и сегменти на "мек" и "твърд" шум. Тези означени данни бяха използвани като входни данни за моделите и се считаха за набор за обучение. Качеството и точността на прогнозите (откриването) на патологии зависят в голяма степен от чистотата на ЕКГ сигнала. Ето защо е важно да се разполага с надеждни, добре работещи модели по отношение на точността и прецизността, които могат да разграничават чистите и зашумените части на ЕКГ сигналите. Нашите Data Scientists разработиха ML-базирани модели за откриване на "мек" и "твърд" шум. След като успешно преминаха строгите критерии за приемане на производителността на моделите на клиента, нашите ML инженери създадоха продукционните pipelines за обучение и инференция и ги интегрираха в платформата и бизнес процесите на клиента. Нашето сътрудничество продължава с разработването на допълнителни алгоритми за откриване на патология, базирани на ML.
