PyGDA #86 (edycja stacjonarna)

27 października o 18 odbędzie się kolejna edycja naszego meetupu, spotykamy się w pubie Lawendowa 8 (Gdańsk Główny).

Agenda:

• Prezentacja #1: Patryk Jasik - Jak zwiększyć wykrywalność tętniaków wewnątrzczaszkowych z wykorzystaniem ML/AI.

Opis: Nasze badania, prowadzone wspólnie z Justyną Fercho oraz zespołami z GUMed/UCK i PG, mają na celu wyjście poza powszechne przekonanie, że ocena ryzyka wystąpienia tętniaka wewnątrzczaszkowego może być dokonana jedynie poprzez analizę obrazów medycznych. Twierdzimy, że wstępne oszacowanie prawdopodobieństwa wystąpienia tętniaków wewnątrzczaszkowych jest możliwe w oparciu o dane laboratoryjne i informacje tekstowe z dokumentacji medycznej. Ostatecznym celem jest opracowanie narzędzia diagnostycznego, które pozwoli na zmniejszenie śmiertelności, kosztów hospitalizacji i powikłań neurologicznych u pacjentów z tętniakami wewnątrzczaszkowymi. Częstość występowania tętniaków wewnątrzczaszkowych szacuje się na 8% populacji (1 na 50 osób), przy czym 88% przypadków to krwotoki podpajęczynówkowe z powodu pęknięcia. Niepęknięte tętniaki wewnątrzczaszkowe są najczęściej wykrywane przypadkowo. Wskaźnik wykrywalności niepękniętych tętniaków mózgu wynosi około 8%. Ocena ryzyka wystąpienia tętniaków jest trudna, co podkreśla potrzebę wczesnego wykrywania i profilaktyki. Na podstawie danych klinicznych z UCK tworzymy opartą na sztucznej inteligencji metodę oceny ryzyka wystąpienia tętniaków wewnątrzczaszkowych w ekosystemie języka Python.

Bio:
Patryk Jasik jest doktorem nauk fizycznych. Od 2010 roku pracuje jako adiunkt na Wydziale Fizyki Technicznej i Matematyki Stosowanej Politechniki Gdańskiej. Zajmuje się badaniami struktur rotacyjno-oscylacyjno-elektronowych małych układów molekularnych oraz badaniami procesów indukowanych światłem w tych układach przy użyciu metod dynamiki kwantowej. Autor kilkudziesięciu publikacji naukowych i wystąpień konferencyjnych z dyscyplin nauki fizyczne, inżynieria biomedyczna i nauki medyczne, m.in. z wykorzystaniem metod optymalizacji i uczenia maszynowego. Kierował kilkoma projektami B+R, w tym pracował nad stworzeniem systemu TITAN, który służy do określania prawdopodobieństwa złośliwości guzów nerek na podstawie obrazów TK. W ścisłej współpracy z lekarzami z Uniwersyteckiego Centrum Klinicznego w Gdańsku, współtworzy obecnie rozwiązanie służące do określania prawdopodobieństwa przynależności pacjentów do grupy ryzyka pod względem występowania tętniaków mózgu przy użyciu metod sztucznej inteligencji. Od 2016 jest kierownikiem studiów podyplomowych Inżynieria Danych Data Science. Posiada rozległe doświadczenie w uczeniu maszynowym i statystyce, które wykorzystuje zarówno w badaniach naukowych, jak i w praktycznych zastosowaniach.

• Lightning Talk #1: Tim Kamanin - Reportaż z Django on The Med

---
Po prelekcjach zachęcamy do pozostania i wspólnej integracji :)
Zachęcamy do dołączenia również do naszej społeczności na Discordzie -> https://discord.gg/JsUePWP