Search Results

You are looking at 1 - 2 of 2 items for

  • Author or Editor: Péter Pollner x
Clear All Modify Search

Absztrakt:

Bevezetés: A ClinicalTrials.gov az Amerikai Egyesült Államok kormányzata által működtetett weboldal, amely a klinikai vizsgálatokkal kapcsolatos adatokat gyűjti. Célkitűzés: Vizsgálatunkban az oldalról XML fájlok formájában letölthető, magyar vonatkozású adatokat dolgoztuk fel. Módszer: Nagyobb mennyiségben a 2000-es évektől állnak rendelkezésre adatok, így jó áttekintő képet kaphatunk az elmúlt 10–15 év klinikai kutatásairól. Az adatmezők jelentős része szabad szöveges, ezért az adatok elemzése előtt jelentős munkát kellett fektetni az adattisztítás elvégzésébe. Eredmények: Az adatbázisban 2863 magyar vonatkozású klinikai vizsgálat szerepelt az elemzés elkészítésekor, amelyek 189 településen rendelkeznek vizsgálati hellyel. A konkrét intézményeket sokszor nem lehet azonosítani, a vizsgálati helyek alig ötödénél sikerült ez. A többi esetben csak valamilyen azonosító vagy általános megnevezés szerepel, így ezt a publikusnak szánt információt anonimmá teszik. Következtetés: Vizsgálatunk az adatbázisból kinyerhető információk elemzése mellett rámutat arra, hogy milyen problémák befolyásolhatják a magyar klinikai kutatás helyzetéről kialakult nemzetközi képet. Orv. Hetil., 2017, 158(9), 345–351.

Open access
Orvosi Hetilap
Authors: Dezső Ribli, Richárd Zsuppán, Péter Pollner, Anna Horváth, Zoltán Bánsághi, István Csabai, Viktor Bérczi and Zsuzsa Unger

Absztrakt:

Bevezetés és célkitűzés: A számítógépes ’mélytanulás’ (deep learning) az elmúlt két évtized számítástechnikai fejlődésének legjelentősebb ajándéka. A számítógépes mélytanulásban rejlő – egyelőre még beláthatatlan – lehetőségek megértése, befogadása és alkalmazása a medicina megkerülhetetlen feladata. Módszer: Ajándék és feladat, hiszen az exponenciálisan növekvő adatok (képalkotó vizsgálati, laboratóriumi, terápiaválasztási lehetőségek, terápia-kölcsönhatások stb.) „bitjeinek” tengerében minden vágyunk és deklarációnk ellenére mind kevésbé tudjuk a személyre és állapotra, a tumorra és környezetére szabott individuális ellátást megvalósítani. Eredmények: A jelen pillanatban felelős ellátóként – és nem kevésbé felelős finanszírozóként – azt élhetjük meg, hogy egyéni és közösségi szinten is szuboptimális folyamatokat tartunk fenn, aminek oka egyszerre az adatok bősége, ugyanakkor az ellátáshoz individuálisan fontos adatok hiánya. A számítógépes mélytanulás, a medicina lényegét adó ember–ember közti találkozás gyógyító erejét nem csorbítva – hanem inkább kiterjesztve –, ebben kínál fényt az alagútban. Következtetés: Belátva tehát saját adatintegrációs és ismereti korlátainkat, nekünk, orvosoknak és ellátásfinanszírozóknak – sajátos előítéleteinket és félelmeinket feladva – kell megtanulni a számítógépes mélytanulásban rejlő különleges lehetőségeket, melyek nemcsak a képalkotó diagnosztikában, hanem már napi realitásként a terápia területén is használhatók (immunterápia). A közlemény ehhez igyekszik kedvet csinálni. Orv Hetil. 2019; 160(4): 138–143.

Open access