Лекари УКЦ Крагујевац учестовали у међународној научној студији Харвардског медицинског факултета (Harvard Medical School) под називом: Repurposing adult AI radiograph models for neonatal care through continual learning

У међународној научној студији под називом Repurposing adult AI radiograph models for neonatal care through continual learning: an international multicentre study (Прилагођавање модела вештачке интелигенције за анализу радиографија одраслих за потребе неонаталне неге путем континуираног учења: међународна мултицентрична студија), учествовали су лекари УКЦ Крагујевац – асист. др Тијана Продановић, неонатолог Клинике за педијатрију и доц. др Никола Продановић, специјалиста ортопедије и трауматологије Клинике за ортопедију и трауматологију УКЦ Крагујевац, који су и коаутори међународног научног радa, објављеног октобра ове године у часопису Nature Biomedical Engineering (М21а+; IF 26,3).
Сарадња је остварена у оквиру међународне иницијативе MAIDA (Medical AI Data for All), коју предводи PhD Pranav Rajpurkar (проф. др Пранав Рајпуркар), ванредни професор биомедицинске информатике са Харвардског медицинског факултета, са којим су лекари УКЦ Крагујевац, који су истовремено и истраживачи Факултета медицинских наука Универзитета у Крагујевцу, успоставили институционалну научноистраживачку сарадњу.
У истраживању су учествовали научници, како са Медицинског факултета Универзитета Харвард, тако и из научних и клиничких установа широм света.
Студија испитује могућности прилагођавања вештачке интелигенције, првобитно обучене на рендгенским снимцима одраслих, за потребе неонаталне неге. Истраживање је усмерено на прецизније одређивање положаја ендотрахеалног тубуса код новорођенчади којa захтевају интубацију и примену механичке вентилације.
Анализирано је 2.965 радиографских снимака плућа из 30 јединица неонаталне интензивне неге у 20 земаља и територија. Прилагођени модел вештачке интелигенције, остварио је боље резултате од модела обучених на подацима из само једне здравствене установе на 29 од укупно 30 испитиваних локација. Симулацијом је испитан и приступ који би омогућио усавршавање модела без откривања идентитета пацијената.
Резултати отварају могућности за даљи развој вештачке интелигенције прилагођене најмлађим пацијентима.