Yapay Zeka Araştırma Grubu
Sağlık alanında üretilen büyük hacimli, çeşitli ve hızlı akan verilerin anlamlandırılması, analiz edilmesi ve yapay zeka modellerine dönüştürülmesini hedefleyen multidisipliner araştırma-geliştirme birimi
Sağlık verilerinin karmaşık yapısını anlamak için sistematik bir yaklaşım benimser. Elektronik sağlık kayıtları, nüfus tabanlı sağlık istatistikleri, biyobanklar ve ulusal sağlık sistemlerinden gelen verileri entegre ederek klinik ve yönetsel karar destek sistemleri geliştiriyoruz.
Veri odaklı sağlık çözümlerinin sistematik olarak uygulanmasını sağlarken, veri güvenliği, mahremiyet ve etik kullanım ilkelerini önceliklendirir. Büyük veri teknolojilerinin sağlık alanında uygulanması, özellikle ölçeklenebilirlik ve performans açısından özel yaklaşımlar gerektirir.
Grup, elektronik sağlık kayıtlarındaki tutarsızlıkları tespit eden, eksik verileri anlamlı şekilde tamamlayan ve veri bütünlüğünü sağlayan algoritmalar geliştirmektedir. Bu süreç, farklı sağlık kurumlarından gelen verilerin standardizasyonunu ve harmonizasyonunu da içerir.
Sağlık veri bilimi ve büyük veri analitiği alanında geliştirdiğimiz temel uygulama alanları
ESK analizi, klinik örüntü çıkarımı ve hasta profillemesi
Nüfus tabanlı sağlık verileri modellenmesi ve hastalık yükü analizi
Maliyet optimizasyonu ve sağlık harcaması analizi
Hastane kapasitesi ve sağlık personeli optimizasyonu
Mevsimsel hastalık eğilimi ve prevalans tahmin modelleri
Anonimleştirme ve veri güvenliği algoritmaları
Bölgesel sağlık durumu haritalandırması ve mekansal analiz
İlaç güvenlilik izleme ve tedarik zinciri optimizasyonu
Ulusal düzeyde kullanılan ve test edilen büyük veri analitik sistemlerimiz
E-Nabız verilerini kullanarak 81 il bazında diyabet prevalansını %94 doğruluk ile tahmin eder ve 5 yıllık projeksiyonlarla sağlık planlamasına destek sağlar.
Medula verileri, mevsimsel eğilimler ve demografik faktörleri analiz ederek hastane başvurularını haftalık bazda %89 doğruluk ile öngörür.
Ulusal düzeyde e-reçete verilerini analiz ederek antibiyotik kullanım paternlerini izler ve direnç gelişim riskini bölgesel olarak tahmin eder.
Semptom tabanlı başvuru verilerini gerçek zamanlı analiz ederek salgın riskini bölgesel olarak değerlendirir ve sağlık otoritelerini önceden uyarır.
Hasta başvuru verileri, tedavi maliyetleri ve demografik faktörleri entegre ederek sağlık harcamalarının ana dinamiklerini analiz eder.
Ulusal kanser tarama verilerini analiz ederek risk gruplarını belirler, tarama etkinliğini değerlendirir ve kişiselleştirilmiş tarama önerileri geliştirir.
Sağlık verilerinin toplanmasından analiz edilmesine kadar olan süreçlerde kullandığımız metodoloji
E-Nabız, Medula, e-Reçete gibi ulusal sistemlerden veri toplama işlemi hassas bir süreçtir. Farklı formatlar, kodlama sistemleri ve veri kalitesi sorunları karşısında robust entegrasyon algoritmaları kullanıyoruz.
Hasta mahremiyetini korumak için diferansiyel mahremiyet ve homomorhik şifreleme teknikleri kullanıyoruz. Kişisel bilgileri korurken bilimsel değeri olan analizler yapmaya odaklanıyoruz.
Eksik değerler, aykırı değerler ve sistematik hatalar büyük veri analizlerinde kritik sorunlardır. Makine öğrenmesi destekli veri temizleme algoritmaları ile veri kalitesini artırıyoruz.
Zaman serisi analizi, survival analizi, çok değişkenli istatistiksel yöntemler ile sağlık verilerindeki karmaşık ilişkileri ortaya çıkarıyoruz. Bayesci yaklaşımlar belirsizlik quantifikasyonu sağlar.
Derin öğrenme, ensemble yöntemleri ve transfer learning ile sağlık verilerinden tahmin modelleri geliştiriyoruz. Overfitting ve bias problemleri özel validasyon stratejileri ile ele alınır.
Karmaşık analiz sonuçlarını karar vericiler için anlaşılır dashboard'lar ve interaktif görselleştirmeler haline getiriyoruz. Real-time monitoring sistemleri ile sürekli takip sağlıyoruz.
Sağlık veri bilimi alanında multidisipliner yaklaşımla çalıştığımız uzman alanları
Sağlık veri bilimi alanında kapsamlı ve sistematik yaklaşımla odaklandığımız temel araştırma konuları
Sağlık verileri yüksek boyutlu, seyrek, heterogen ve zaman bağımlı karakteristiklere sahiptir. Eksik değerler, ölçüm hataları ve sistematik sapmaları tespit eden algoritmalar geliştiriyoruz.
Hastalık prevalansındaki mevsimsel değişimler, epidemik dalgalar ve uzun dönemli eğilimler temporal analiz teknikleri ile modellenir. Hibrit tahmin modelleri geliştiriyoruz.
Hasta kimliklerini korurken bilimsel araştırmaların yapılmasını sağlayan diferansiyel mahremiyet, homomorhik şifreleme ve güvenli çok-partili hesaplama teknikleri araştırıyoruz.
Yapılandırılmış, yarı yapılandırılmış ve yapılandırılmamış sağlık verilerini birleştirerek bütünsel analiz imkanı sağlıyoruz. Laboratuvar, klinik notlar ve görüntü verileri entegre edilir.
Büyük veri setleri üzerinde eğitilen modellerin küçük ve spesifik veri setlerine uyarlanması ile nadir hastalıklar ve küçük hasta grupları için etkili çözümler sunuyoruz.
FHIR, HL7, ICD-10 gibi uluslararası standartlarla uyumlu veri modelleri ve dönüşüm algoritmaları geliştirerek ulusal ve uluslararası veri paylaşımını destekliyoruz.
Sağlık veri bilimi alanında elde ettiğimiz somut başarılar ve ulusal düzeyde yarattığımız etki
Sağlık veri bilimi alanında büyük veri analitiği çözümleri geliştirmek için bizimle işbirliği yapmak ister misiniz?
Sağlık Bakanlığı ve ulusal veri sistemleri ile stratejik işbirlikleri
Üniversiteler arası büyük veri araştırma projeleri ve doktora programları
Bulut bilişim ve büyük veri teknolojileri şirketleri ile çözüm geliştirme