Month: November 2023

Maintaining a healthy heart is essential for overall well-being, and open communication with your doctor is a crucial step in ensuring your cardiovascular health. If you have concerns about your heart health, it’s important to approach these conversations in a proactive and informed manner. By effectively communicating your worries and collaborating with your healthcare provider, you can take control of your heart health journey. Here’s are a few best practices:

1. Gather your own information: If you have symptoms, keep a log. This is especially important if they come and go.  Things like shortness of breath, palpitations, fatigue are important; but so is anxiety, depression, headaches etc. It is also important to note if you notice any consistent triggers for these symptoms.  If you have the ability, monitor and record your own biometrics: like heart rate, blood pressure, body weight, and relate those back to symptomatic episodes.  Do some research from sources like medical websites, articles from reputable organizations, and academic research to equip you with knowledge to better discuss your concerns with your doctor.
2. Prepare a list of questions: Assemble a list of questions and concerns you have about your heart health. Be specific about your symptoms, their duration, and any triggers you’ve noticed. Ask about potential tests, lifestyle changes, or treatment options that might be relevant to your situation.
3. Describe your symptoms: When discussing your concerns, provide your doctor with a clear and detailed description of your symptoms. Include information about when the symptoms occur, their intensity, and any factors that seem to exacerbate or alleviate them. Being precise can help your doctor make a more accurate assessment.
4. Share your medical history: Inform your doctor about your medical history, including any previous heart-related issues, family history of heart disease, and any pre-existing conditions you may have. This information can provide context and help your doctor understand your risk factors.
5. Be honest: Your doctor needs to know about your lifestyle habits, such as diet, exercise routine, stress levels, and tobacco or alcohol use. These factors play a significant role in heart health, and your doctor can offer tailored advice based on your habits.
6. Express your concerns: Clearly communicate your worries and fears to your doctor. Whether it’s anxiety about a potential heart problem or uncertainties about certain treatments, open up about your emotions. A good doctor-patient relationship involves understanding your emotional state and addressing any concerns you may have.
7. Collaborate on a Plan: After discussing your concerns and sharing necessary information, work with your doctor to develop a comprehensive plan. This could involve diagnostic tests, lifestyle modifications, medications, or referrals to specialists. Your active involvement in the planning process empowers you to take ownership of your heart health. Always take notes during the consultation.
8. Seek Clarification: If your doctor provides information that you don’t fully understand, don’t hesitate to ask for clarification. It’s crucial to have a clear understanding of your condition, potential risks, and recommended interventions.
9. Always advocate for yourself: If you think something is wrong or feel unwell, it’s important to be persistent, organized, and informed. Present your information, be specific and seek the best possible care. Doctors are busy and have a lot of urgent cases to deal with, but they are also people and will step up when you do.

Remember, your doctor is a valuable partner in your journey to better heart health. By approaching your concerns proactively, staying informed, and fostering open communication, and sharing your observations and information you’re taking significant steps toward safeguarding your own cardiovascular well-being.

Підтримання здорового серця має важливе значення для загального самопочуття, а відверте спілкування з лікарем є вирішальним кроком у забезпеченні здоров’я серцево-судинної системи. Якщо у вас є занепокоєння щодо здоров’я серця, важливо підходити до цієї розмови активно та відповідально. Щиро розповідаючи про те, що вас турбує, та співпрацюючи з лікарем, ви можете взяти під контроль стан свого серця. Ось кілька порад: 

1. Зберіть власну інформацію:  

Якщо у вас є симптоми, ведіть записи. Це особливо важливо, якщо вони з’являються і зникають. Такі симптоми, як задишка, прискорене серцебиття, втома, є важливими; так само як і тривога, депресія, головний біль тощо. Важливо також зазначити, чи помічаєте ви якісь постійні тригери для цих симптомів. Якщо у вас є можливість, відстежуйте і записуйте власні біометричні показники: частоту серцевих скорочень, артеріальний тиск, вагу тіла, і пов’язуйте їх із симптоматичними епізодами. Пошукайте інформацію на медичних сайтах, у публікаціях авторитетних організацій та академічних дослідженнях, щоб отримати знання, які допоможуть вам краще пояснити й обговорити свої проблеми з лікарем. 

2. Підготуйте список запитань:  

Складіть список запитань і занепокоєнь, які ви маєте щодо здоров’я свого серця. Конкретизуйте свої симптоми, їхню тривалість і будь-які провокуючі фактори, які ви помітили. Запитайте про можливі аналізи, можливі зміни способу життя або варіанти лікування, які можуть бути доцільними у вашій ситуації. 

3. Опишіть свої симптоми:  

Обговорюючи свої опасання, надайте лікарю чіткий і детальний опис ваших симптомів. Включіть інформацію про час виникнення симптомів, їхню інтенсивність та будь-які фактори, які, на вашу думку, посилюють або послаблюють їх. Точність може допомогти лікарю краще оцінити стан вашого здоров’я. 

4. Поділіться своєю медичною історією: Розкажіть лікареві вашу медичну історію, включаючи будь-які порушення, пов’язані з серцем, сімейний анамнез серцевих захворювань та наявні хронічні хвороби. Ця інформація допоможе лікарю зрозуміти ваші фактори ризику та надати більш точний діагноз. 

5. Будьте чесними:  

Лікар повинен знати про ваші звички, такі як дієта, режим фізичних навантажень, рівень стресу, а також вживання тютюну або алкоголю. Ці фактори відіграють значну роль у здоров’ї серця, а лікар зможе надати індивідуальні рекомендації, враховуючи ваші звички. 

6. Висловлюйте свої занепокоєння: 

Чітко розповідайте лікарю про свої тривоги та страхи. Незалежно від того, чи це тривога щодо можливих проблем із серцем, чи невпевненість стосовно певних методів лікування, відкрито говоріть про свої емоції. Гарні стосунки між лікарем і пацієнтом передбачають розуміння вашого емоційного стану та вирішення будь-яких ваших занепокоєнь. 

7. Розробіть спільний план дій:  

Після обговорення ваших занепокоєнь та надання необхідної інформації розробіть з лікарем комплексний план. Він може включати діагностичні тести, корекцію способу життя, призначення ліків або направлення до інших спеціалістів.  Ваша активна участь у процесі планування дозволить вам взяти відповідальність за стан свого серця. Завжди робіть нотатки під час консультації. 

8. Звертайтеся за роз’ясненнями:  

Якщо ваш лікар надає інформацію, яку ви не повністю розумієте, не соромтеся звертатися за поясненнями. Важливо чітке уявлення про свій стан, можливі ризики та рекомендовані методи лікування або втручання. 

9. Завжди відстоюйте свої інтереси:  

Якщо ви вважаєте, що щось не так, або почуваєтеся погано, важливо бути наполегливим, організованим та проінформованим. Надайте свою інформацію, будьте конкретними і шукайте найкращу можливу допомогу. Лікарі зайняті і мають багато невідкладних справ, але вони також люди і підуть назустріч, якщо ви попросите про допомогу. 

Пам’ятайте, що ваш лікар — це цінний партнер у вашому шляху до покращення здоров’я серця. Вирішуючи свої проблеми на випередження, залишаючись обізнаними, сприяючи відкритій комунікації та ділячись своїми спостереженнями та інформацією, ви робите значний крок у напрямку збереження власного серцево-судинного здоров’я. 

Nick Pogrebnyakov, PhD

Healthcare companies, like their cousins in other industries, increasingly explore AI to power their products. Many companies create specialized AI teams, separate from the business or product teams. However, while both the AI and the business teams use metrics to evaluate the quality of AI models and track progress, they often use different metrics. It is crucial that both teams understand the technical and business implications of what the metrics show.

A larger difference is often in key objectives of AI and business. When building AI models, AI teams typically strive for improving key metrics, which are often composites such as F1. They also have a broad spectrum of metrics that can be calculated. Business teams, meanwhile, ask other questions relating to performance of AI models: how well the models satisfy business objectives; are they ready for release; and how well the model is likely to behave on real users.

These differences shouldn’t be unsurmountable. The leaders of business and AI teams should jointly discuss company’s business objectives, and then select metrics that reflect models’ performance in meeting these objectives. Consider these factors to prioritize AI metrics depending on the business objectives.

• Company size
  • Small companies, especially startups, may want to prioritize recall / sensitivity to ensure they don’t miss any positive cases. This is vital for establishing credibility and effectiveness early on.
  • Larger organizations, especially those catering to several markets, may want to emphasize precision / PPV and specificity to reduce both false positives and negatives. This becomes very important for conditions where the cost of a wrong prediction is high.
• Target market
  • Niche markets value correct predictions. Emphasize precision / PPV and specificity to track occurrences of false positives and false negatives
  • By contrast, broad markets imply solutions that appeal to multiple subgroups. Here, recall  / sensitivity is important.
• Prevalence of condition in the population
  • If the targeted condition is very rare or very common in a community, training and, importantly, test datasets will be imbalanced. Metrics like F1 or Matthew’s Correlation Coefficient (MCC) are more relevant indicators than straightforward accuracy.
  • Medium prevalence leads to balanced datasets. Use area under the ROC curve (ROC-AUC) or accuracy.
• Cost of false positives or false negatives
  • The cost of a false negative is high when it’s crucial that the model doesn’t erroneously flag as healthy people who actually have the condition. People who were flagged as having the condition by the model can then be sent for follow-up tests to confirm. Improving detectability of condition here is essential, and recall / sensitivity is a good metric to emphasize.
  • In other instances it’s more important that the model doesn’t mistakenly identify the condition in people who don’t have it: a false positive. This calls for greater accuracy of detection. Highlight the precision / PPV metric.
• Importance of outliers
  • Some AI models output raw numbers instead of probabilities. A model that predicts blood pressure is a good example. Extremely high or low values, or outliers, may or may not be important in interpreting model output.
  • If outliers are important, use RMSE (root mean squared error) or MSE (mean squared error), which penalize larger errors more (as they square the difference between true and predicted values)
  • When outliers are not essential, use MAE (mean absolute error), as it is less sensitive to outliers

Metrics like precision / PPV, recall / sensitivity and specificity are derived from probabilities output by AI models. Those probabilities need to be converted into a “hard” label like “healthy” or “sick”. This requires setting a decision threshold. Set the threshold at 0.6, and all patients with the predicted probability of disease greater than 0.6 are assigned the label “sick”, while those less than 0.6 are “healthy”. This threshold is a “knob” that the model’s user can adjust. Lower the threshold, and more patients are flagged as sick, increasing the chance of false positives. Increase it, and fewer cases will be flagged, but this increases the chance of incorrectly flagging sick patients as healthy: false negatives. Decide what is more important for you depending on the business requirements.

The key to successful collaboration between the AI and business teams is mutual understanding. To achieve this understanding, have the two teams communicate regularly and educate each other on business implications, trade-offs and usefulness of metrics they use.

Такі показники, як точність / PPV, повнота / чутливість і специфічність, виводяться на основі ймовірностей, отриманих за допомогою моделей штучного інтелекту. Ці ймовірності потрібно перетворити на «жорсткі» мітки, такі як «здоровий» або «хворий». 

Микола Погребняков, PhD 

Компанії в галузі охорони здоров’я, подібно до своїх аналогів у інших галузях, все більше досліджують можливості використання штучного інтелекту для покращення своїх продуктів. Багато компаній створюють спеціалізовані команди зі штучного інтелекту, що діють окремо від команд бізнесу чи продукту. Хоча, і бізнес, й технічні команди використовують метрики для оцінки якості штучного інтелекту та відстеження прогресу, проте вони зазвичай використовують різні метрики. Дуже важливо, щоб обидві команди розуміли технічні та бізнес-наслідки того, що показують ці метрики. 

Зазвичай найбільша різниця полягає у ключових цілях штучного інтелекту та бізнесу. Під час створення моделей штучного інтелекту, команди зазвичай прагнуть покращити основні показники, які часто є композитними, такими як F1. Вони також мають широкий спектр метрик, які можуть бути обчислені. Тим часом бізнес-команди ставлять інші питання, пов’язані з продуктивністю моделей штучного інтелекту: наскільки добре моделі задовольняють бізнес-цілі; чи готові вони до випуску; і наскільки добре модель, ймовірно, буде поводитися на реальних користувачах. 

Ці різниці не повинні бути нездоланними. Лідери бізнесу та команд штучного інтелекту повинні спільно обговорити бізнес-цілі компанії, а потім вибрати метрики, які відображатимуть ефективність моделей у досягненні цих цілей. Розгляньте ці фактори для визначення пріоритетів метрик штучного інтелекту залежно від бізнес-цілей. 

Розмір компанії 

• Невеликі компанії, особливо стартапи, можуть надавати перевагу повноті / чутливості для того, щоб переконатися, що вони не пропустять жодного позитивного випадку. Це життєво важливо для встановлення довіри та ефективності на початковому етапі. 

• Більші організації, особливо ті, які обслуговують кілька ринків, можуть акцентуватися на точності / PPV й специфічності, щоб зменшити кількість хибнопозитивних й негативних результатів. Це стає дуже важливим в умовах, коли ціна помилкового прогнозу є високою. 

Цільовий ринок 

•  Нішеві ринки цінують правильні прогнози. Наголошуйте на точності / PPV й специфічності, щоб відстежувати випадки хибнопозитивних й хибнонегативних результатів. 

• На противагу цьому, широкі ринки передбачають рішення, які підходять для багатьох підгруп. Тут важливе значення має повнота/чутливість. 

Поширеність захворювання серед населення 

• Якщо це специфічне захворювання дуже рідке або дуже поширене у популяції, то набори даних, які використовуються для навчання та, що важливо, тестові набори даних будуть незбалансованими. Такі показники, як F1 або коефіцієнт кореляції Метью (MCC), є більш релевантними індикаторами, ніж звичайна (пряма) точність. 

• Середня розповсюдженість забезпечує збалансований набір даних. Використовуйте площу під кривою ROC (ROC-AUC) або точність. 

Ціна хибнопозитивних або хибнонегативних результатів 

• Ціна хибнонегативного результату є високою, коли критично, щоб модель помилково не позначила людей із захворюванням як здорових. Людей, яких модель помилково визначила як хворих, можуть направити на додаткові тести для підтвердження діагнозу. Тут вкрай необхідно, щоб виявлення хвороби було ефективним, і показник повнота / чутливість є хорошим показником, на який варто звернути увагу. 

• В інших випадках важливіше, щоб модель не визначала помилково захворювання у людей, які його не мають: хибнопозитивний результат. Це вимагає більшої точності виявлення. Підкресліть показник точності / PPV. 

Важливість аномальних даних (викидів) 

• Деякі моделі штучного інтелекту видають необроблені (сирі) числа замість ймовірностей. Хорошим прикладом є модель, яка прогнозує артеріальний тиск. Надзвичайно високі або низькі значення, або аномальні дані, можуть бути важливими або неважливими при інтерпретації результатів моделі. 

• Якщо викиди важливі, використовуйте RMSE (корінь середньоквадратичної похибки) або MSE (середньоквадратична похибка), які більше впливають на більші похибки (оскільки вони зводять у квадрат різницю між істинними і прогнозованими значеннями).  

• Якщо викиди не є важливими, використовуйте MAE (середня абсолютна похибка), оскільки вона менш чутлива до викидів. 

Такі показники, як точність / PPV, повнота / чутливість і специфічність, обчислюються на основі ймовірностей, що виводяться моделями штучного інтелекту. Ці ймовірності потрібно перетворити на «жорсткі» мітки, такі як «здоровий» або «хворий». Для цього потрібно встановити поріг прийняття рішення. Встановіть поріг на рівні 0,6, і всі пацієнти з прогнозованою ймовірністю захворювання більше 0,6 отримають ярлик «хворий», тоді як ті, чия ймовірність менше 0,6, – «здоровий». Цей поріг є « регулятором», який користувач моделі може налаштувати. Знижуючи поріг, більше пацієнтів позначаються як хворі, що збільшує ймовірність хибнопозитивних результатів. Підвищуйте його, і менше випадків буде позначено, але це збільшує ймовірність помилкового позначення хворих пацієнтів як здорових – хибнонегативних результатів. Вирішуйте, що для вас важливіше, залежно від бізнес-вимог. 

Ключем до успішної співпраці між командами штучного інтелекту та бізнесу є взаєморозуміння. Для досягнення цього розуміння команди повинні регулярно спілкуватися та інформувати одна одну щодо бізнесових наслідків, компромісів та значущості метрик, які вони використовують. 

Микола Погребняков – керівник відділу штучного інтелекту та науки про дані в Sparrow BioAcoustics. До роботи в Sparrow Нік обіймав посаду  керівника відділу ШІ в Twitter, був одним із перших інноваторів NLP в Thomson Reuters, а також позаштатним дослідником у Стенфордському університеті.