See veebileht kasutab küpsiseid kasutaja sessiooni andmete hoidmiseks. Veebilehe kasutamisega nõustute ETISe kasutustingimustega. Loe rohkem
Olen nõus
"Mobilitas Pluss Postdoctoral Researcher Grant / Mobilitas Pluss järeldoktoritoetus" projekt MOBJD341
MOBJD341 (MOBJD341) "Tõhusa tervishoiuteenuste analüüsi õppimiseks kasutatav masin (1.01.2019−31.12.2020)", Radwa El Shawi, Tartu Ülikool, Loodus- ja täppisteaduste valdkond, arvutiteaduse instituut.
MOBJD341
Tõhusa tervishoiuteenuste analüüsi õppimiseks kasutatav masin
Towards Usable Machine Learning for Efficient Predictive Analytics in the Healthcare Domain
1.01.2019
31.12.2020
Teadus- ja arendusprojekt
Mobilitas Pluss Postdoctoral Researcher Grant / Mobilitas Pluss järeldoktoritoetus
ValdkondAlamvaldkondCERCS erialaFrascati Manual’i erialaProtsent
4. Loodusteadused ja tehnika4.6. ArvutiteadusedP175 Informaatika, süsteemiteooria1.2 Arvutiteadus ja informaatika100,0
PerioodSumma
01.01.2019−31.12.202086 117,20 EUR
86 117,20 EUR
0,00 EUR

Suurandmed on mõjutamas olulisel määral kogu tervishoiusüsteemi. Patsiendi andmete mahu kasvades on vaja arendada meetodeid nende mõistlikuks kasutuseks. Masinõpe pakub võimalusi selle väljakutsega tegelemiseks ning võib mõjutada ja paranda tulevikus meie elu. Kuid masinõppe tehnoloogiad ei ole lihtsad ega hoomatavad selle ala mitte-ekspertidele nagu näiteks arstid. Käesoleva projekti peamine eesmärk on luua uudseid tehnoloogiaid millega muuta masinõppe protsess lihtsamaks ja kasutatavaks tervishoiusüsteemis - automatiseerides iteratiivsed ja eksloratiivsed protsessid ja mudelite parameetrite tuunimised ning seeläbi saavutada kõrgemakvaliteediline tulemuslikkus. Teine eesmärk on muuta masinõppe tulemused (õpitud mudelid ja mudelite põhjal tehtud otsused) lõppkasutajale arusaadavamaks. Arstid peaksid suutma tõlgendada masinõppe "otsuseid" - kuivõrd mõistlikud ja rakendatavad need on. Töö tulemused võimaldavad oma eriala ekspertidel parandada tervishoiuprotsessi ja patsientide ravi.
In the era of Big Data, healthcare industry is being challenged to develop better skills to deal competently with the flood of patient data. Machine learning (ML) can play an effective role to tackle this challenge and improve the future of our lives. However, ML techniques are not always easy to use by non-technical domain experts (e.g., physicians). A main focus of this proposal is to develop novel techniques for making the ML process more usable for non-ML experts in the healthcare domain by automating the iterative and explorative modeling and tuning process in order to easily achieve high-quality results. The work of this proposal will also focus on the interpretability of the developed ML models. For example, physicians should be able to interpret why the developed model results are meaningful and applicable. The research outcomes will represent a significant step towards empowering medical domain experts to improve different aspects the healthcare process and patient’s service.