AI rješenja za zdravstvo
Triage sistem i DICOM workflow optimizacija za privatne klinike i radiološke centre, sa HL7 FHIR integracijom i HIPAA/GDPR-compliant audit slojem.
Operativni izazovi u industriji
- ● Triage decision support za multi-modal input (NLP simptomi + vitals senzori + EHR history) sa eksplicitnim ograničenjem - sistem prioritizuje, NE dijagnostikuje, da bi ostao izvan medical device regulatornog okvira.
- ● Multi-language NLP za bosanski/hrvatski/srpski (BHS), talijanski i engleski - public modeli (BioBERT, ClinicalBERT) ne pokrivaju južnoslavenske medicinske terminologije.
- ● DICOM tag heterogenost između proizvođača (Siemens, GE, Philips, Canon) - private tags i različite konvencije za isto polje (npr. patient orientation) lome generic pipeline-e.
- ● PHI (Protected Health Information) compliance - column-level encryption, audit trail svakog pristupa zapisu, federated learning gdje je moguće da training podaci ne napuste klinički perimetar.
- ● Integracija sa heterogenom EHR/PACS/RIS okolinom (Sectra, Carestream, Orthanc) preko HL7 v2 i FHIR, sa različitim verzijama i custom segmentima koje vendori dodaju.
Demo case studies
Triage sistem za privatne klinike sa multi-modal input-om i FHIR integracijom
Mreža privatnih klinika sa 8 lokacija i ~1.200 dnevnih posjeta imala je čekanje u prosjeku 47 minuta od dolaska do prvog kontakta sa doktorom. Trijaža je rađena od strane medicinskih sestara prema BHS prilagođenom Manchester protokolu, ali subjektivnost u prioritizaciji je pravila probleme - urgentni slučajevi su povremeno čekali iza rutinskih, dok su benigni slučajevi blokirali specijalističke termine.
Sistem je morao primati input kroz tri kanala: tekstualni opis simptoma (kroz tablet u čekaonici, multi-language), vitals iz povezanih senzora (krvni pritisak, SpO2, temperatura, srčana frekvencija) i EHR history pacijenta. Output je morao biti prioritetni rang i sugerirana specijalnost, sa eksplicitnim red-flag detection-om za life-threatening simptome (bol u prsima sa dispnejom, neurološki deficit, anafilaksa). Sistem je MORAO ostati decision support - nikada ne donosi medicinsku odluku, samo pomaže prioritizaciji - da bi izbjegao MDR (Medical Device Regulation) klasifikaciju. Cijeli flow je morao biti GDPR i HIPAA compliant sa potpunim audit trailom.
NLP komponentu smo izgradili kao multi-language ensemble - finetuneovali smo XLM-RoBERTa-large na ~28.000 anotiranih simptomatskih opisa iz 4 jezika (BHS, talijanski, engleski, njemački) i dodali namjenski named entity recognizer za simptome i anatomske lokacije sa custom rječnikom za južnoslavenske medicinske termine. Vitals stream dolazi preko MQTT-a iz povezanih uređaja, normalizuje se prema NEWS2 (National Early Warning Score) skali i feeduje u prioritetski model zajedno sa NLP feature-ima i strukturisanim EHR signalima (alergije, hronična stanja, lijekovi). Prioritetni model je gradient boosting (CatBoost) treniran na 18 mjeseci historijskih trijažnih odluka sa labelom "stvarna urgentnost" izvedenom iz outcome podataka (admisija, intervencija, ishod). Red-flag detection je odvojen rule-based sloj koji ima viši autoritet od ML modela - bilo koji match aktivira maksimalni prioritet. Doctor matching koristi ILP solver (OR-Tools) koji optimizuje raspored prema specijalnosti, slot dostupnosti, prosječnom vremenu pregleda po stanju i preference pacijenta. Sve komunikacije sa EHR-om idu preko HAPI FHIR servera sa SMART on FHIR autentikacijom. PHI se enkriptuje na column level u PostgreSQL-u (pgcrypto), ključevi rotiraju kroz Vault. Federated learning je u eksperimentalnoj fazi za scenarij gdje više klinika dijeli model bez dijeljenja podataka - PySyft pipeline sa secure aggregation.
Python, XLM-RoBERTa, spaCy, CatBoost, OR-Tools, MQTT, HAPI FHIR, SMART on FHIR, PostgreSQL pgcrypto, HashiCorp Vault, PySyft (eksperimentalno), Flutter za tablet kiosk
Demo primjer baziran na stvarnoj inženjerskoj praksi. Identitet klijenta povjerljiv prema NDA.
DICOM workflow sa AI pre-screening-om za worklist optimizaciju radiologa
Radiološki centar sa 4 modaliteta (2 CT, 1 MRI 3T, 1 ultrasound, X-ray) procesuirao je oko 380 studija dnevno, sa 6 radiologa u rotaciji. Prosječno vrijeme od završetka skena do potpisanog nalaza bilo je 4.5 sata, sa peak-ovima do 11 sati u kritičnim danima. Worklist je bio FIFO bez prioritizacije, što je značilo da su urgentni slučajevi (sumnja na PE, intrakranijalna krvarenja) ponekad čekali iza rutinskih kontrolnih CT-ova.
Trebali smo AI pre-screening sloj koji NE postavlja dijagnozu (svjesno izbjegavanje MDR Class IIa/IIb regulatornog tereta), ali prioritizuje worklist označavanjem studija sa potencijalno urgentnim nalazima. Sistem je morao raditi sa svim modalitetima i hardware vendorima (Siemens, GE, Philips), normalizovati DICOM tag-ove, raditi quality control (image quality scoring, predlaganje ponovnog skeniranja) i pre-fetchovati prior studije iz PACS-a prije nego radiolog otvori case. Anonimizacija za training datasete morala je biti potpuna (DICOM tag scrubbing plus pixel-level burn-in detection).
Integracija sa Orthanc DICOM serverom (deployed kao centralni proxy ispred postojećeg Sectra PACS-a) preko C-STORE SCP listenera koji svaki novi study triggeruje u inference pipeline. DICOM normalizacija je custom Python sloj koji mapira proizvođač-specifične tagove na kanonsku reprezentaciju (npr. Siemens (0029,1010) CSA Header parsiranje za MRI metapodatke). Pre-screening modeli su MONAI-based - imamo zasebne modele po modalitetu i regiji (chest CT za PE detection, head CT za hemoragije, chest X-ray za pneumotoraks i konsolidacije). Modeli vraćaju samo binarni "potential urgent finding" signal sa konfidencijom, NE strukturisanu dijagnozu - ovo eksplicitno čuva sistem izvan dijagnostičke MDR klasifikacije i jasno se komunicira radiolozima u UI-ju. Quality control model (custom CNN) skoruje image quality (motion artifacts, contrast, coverage) i predlaže ponovni sken kada je score ispod praga - ovo se predaje tehničaru dok je pacijent još na stolu. Pre-fetching koristi Redis koji holds top 50 očekivanih studija u worklist-u; kada radiolog uzima case, prior studije, mjerenja i strukturisani izvještaji su već cached. Anonimizacija pipeline za internal training koristi DICOM Standard Anonymization Profile plus custom pixel scrubber (OCR-based detekcija burn-in PHI u pixel data) - sve radi air-gapped na on-prem GPU clusteru. Inference radi na NVIDIA L40S GPU-ovima sa Triton Inference Server-om i dynamic batching-om za throughput.
Python, MONAI, PyTorch, pydicom, GDCM, Orthanc, NVIDIA Triton Inference Server, Redis, PostgreSQL, Sectra PACS integracija, HL7 v2 (Mirth Connect), on-premise Kubernetes, NVIDIA L40S GPU
Demo primjer baziran na stvarnoj inženjerskoj praksi. Identitet klijenta povjerljiv prema NDA.
Tehnologije koje koristimo
Kako radimo
Discovery
Mapiranje EHR/PACS/RIS okoline, audit HL7 v2 i FHIR integracija, regulatorni okvir (GDPR za zdravstvene podatke, HIPAA gdje je primjenjivo, MDR klasifikacijska analiza), procjena dostupnosti anonimizovanih podataka za training.
Pilot
Shadow deployment u jednoj klinici/modalitetu, sa AI outputom vidljivim ali ne i obavezujućim za kliničko osoblje. Mjerenje agreement rate sa kliničkim odlukama i kalibracija konfidencijskih pragova.
Implementacija
On-premise deployment unutar kliničkog perimetra, integracija sa EHR/PACS preko HL7 i DICOM, postavljanje column-level encryption-a, Vault-a, audit pipeline-a i SMART on FHIR autentikacije. Training kliničkog osoblja na decision support flow-u.
Operacija
Kontinuirano monitoring model performance po modalitetu i populaciji, kvartalni retraining sa novim anonimizovanim podacima, regulatorna dokumentacija (DPIA, model cards, validation reports) i klinička governance kroz medicinski savjet.
Razgovarajmo o pilotu za vašu firmu
Discovery sesija je 60 minuta - razumijemo vaš problem i predlažemo konkretan pilot pristup.
Kontaktirajte nas