ÖNEN / ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И ПОДДЕРЖКА КЛИНИЧЕСКИХ РЕШЕНИЙ
Из нашего клинического опыта
рождающийся искусственный интеллект.
Проект детской урологии с поддержкой ИИ, основанный и возглавляемый проф. д-ром Abdurrahman Önen, совместно рассматривает оценку, планирование лечения и длительное наблюдение.2012года. В основе этой разработки — объединение структурированной клинической информации и опыта врача.
Изучить подход нашего проекта
01
Оценка
02
Планирование лечения
03
Длительное наблюдение
ПРОФ. Д-Р ABDURRAHMAN ÖNEN / ОСНОВАТЕЛЬ И ГЛАВНЫЙ ИССЛЕДОВАТЕЛЬ
Наш собственный проект, комплексный подход.
В детской урологии любая информация обретает смысл вместе с историей ребёнка и изменениями во времени. В нашем проекте мы стремимся объединить клиническую биостатистику и данные длительного наблюдения с методами искусственного интеллекта, чтобы создать электронную систему поддержки врачебной оценки.
01
Оценка
Совместное рассмотрение структурированной клинической информации для поддержки врачебной оценки.
02
Планирование лечения
Организация клинических данных и наблюдений так, чтобы они могли помочь планированию лечения.
03
Длительное наблюдение
Разработки для совместного анализа измерений и результатов, накопленных со временем.
Роли владельца и руководителя проекта и область разработки основаны на записи проекта в CV. По обновлению профессиональных сведений от 19 октября 2026 года год начала — 2012 указан в записи. Не содержит заявления о клинической эффективности или регуляторном одобрении.
Наш подход к разработке.
В работе, ведущей от клинического опыта к структурированной информации, а затем к исследованию и оценке, мы совместно рассматриваем врачебный контроль и конфиденциальность данных. Изображения объясняют подход к разработке и не показывают реальные исследования пациента или проверенный результат модели.
Учебные материалы для врачей и студентовПОДХОД К РАЗРАБОТКЕ НАШЕГО ПРОЕКТАКлиническая информация · Исследования · Врачебный контроль
ИЗУЧИТЕ СВЯЗАННУЮ НАУЧНУЮ ЛИТЕРАТУРУ
Связанная научная литература.
Избранные публикации для тех, кто хочет изучить исследовательский контекст области. Эти работы являются отдельными источниками, а не записью нашего проекта.
ИЗ ВНЕШНЕЙ ЛИТЕРАТУРЫ / 01
От УЗИ к измерениям
Методы глубокого обучения исследуют стандартизацию измерений, выделяя границы почки и расширенную собирательную систему на УЗ-изображениях.
2021 · Исследование осуществимости
Пример из литературы
Прочитать источник исследования Evaluation of pediatric hydronephrosis using deep learning quantification of fluid-to-kidney-area ratio by ultrasonography
Lin и соавт. · Abdominal Radiology · 2021
DOI: 10.1007/s00261-021-03201-w
- Входные данные
- Области почки и расширенной собирательной системы на детских УЗ-изображениях.
- Цель исследования
- Сегментация почки и жидкостных пространств; измерение соотношения площади жидкости и почки.
- Подтверждение
- Исследование осуществимости; доступное резюме не раскрывает размер выборки и внешнюю проверку.
Предел: Это исследование осуществимости не подтверждает широкое клиническое применение или эффективность модели на данном сайте.
Проверка источника: 2026-10-14ИЗ ВНЕШНЕЙ ЛИТЕРАТУРЫ / 02
Моделирование риска и изменений
Модели, объединяющие УЗ-измерения с возрастом и другими клиническими данными, исследуют риск обструкции при гидронефрозе. Моделирование изменений во времени — исследовательская цель, требующая отдельной проверки по данным наблюдения.
2024 · Разработка и внешняя проверка в двух учреждениях
Пример из литературы
Прочитать источник исследования Predicting obstruction risk using common ultrasonography parameters in paediatric hydronephrosis with machine learning
Khondker и соавт. · BJU International · 2024
DOI: 10.1111/bju.16159
- Входные данные
- Возраст и УЗ-измерения; результаты одного периода оценки, например переднезадний диаметр и степень SFU.
- Цель исследования
- Классы риска, определённые по времени оттока при диуретической ренографии.
- Подтверждение
- Разработка и внутренняя проверка на 304 детях; внешняя проверка на 64 детях из другого учреждения.
Предел: Во внешней выборке нет самого высокого класса риска. Серийные УЗ-данные не использовались; это не проспективное доказательство потери функции почки или необходимости операции.
Проверка источника: 2026-10-14ИЗ ВНЕШНЕЙ ЛИТЕРАТУРЫ / 03
Паттерны мочевого потока
Паттерны исследуют, сочетая урофлоуметрию, остаточную мочу и данные тазового дна. Необходимо показать работу моделей в разных возрастах, на разных устройствах и в разных центрах.
2026 · Одноцентровое ретроспективное исследование
Пример из литературы
Прочитать источник исследования Prediction of pediatric lower urinary tract dysfunction using uroflowmetry data and machine learning with explainable AI techniques
Dinçel и соавт. · International Urology and Nephrology · 2026
DOI: 10.1007/s11255-026-05342-7
- Входные данные
- Совместное использование урофлоуметрии и клинических кодировок ёмкости пузыря, паттерна мочеиспускания и активности тазового дна.
- Цель исследования
- Моделирование классов дисфункции нижних мочевых путей, назначенных клиницистами.
- Подтверждение
- 2663 записи; одноцентровое ретроспективное исследование, внутреннее разделение на обучающую и тестовую выборки и перекрёстная проверка.
Предел: Некоторые входные данные и целевые классы основаны на оценках одних и тех же врачей; способность к независимой автоматической диагностике не доказана. Нужна многоцентровая внешняя проверка; результаты не распространяются на инвазивные сигналы уродинамического давления.
Проверка источника: 2026-10-14ИЗ ВНЕШНЕЙ ЛИТЕРАТУРЫ / 04
От отчёта к исследовательским данным
Обработка естественного языка исследует преобразование результатов из УЗ-отчётов в общие поля данных. Точность структурированной информации оценивается человеком.
2024 · Препринт
Пример из литературы · Препринт
Прочитать источник исследования High-performing Multi-task Model of Urinary Tract Dilation (UTD) Classification for Neonatal Ultrasound Reports Through Natural Language Processing
Hua и соавт. · medRxiv · 2024
DOI: 10.1101/2024.01.23.24301680
- Входные данные
- Тексты ранних послеродовых УЗ-отчётов; проверка отчётов и изображений экспертами для определения эталонных классов.
- Цель исследования
- Извлечение компонентов и классов UTD из текста отчёта.
- Подтверждение
- 2460 отчётов; внутренняя перекрёстная проверка. Рассмотренная версия v1 является препринтом.
Предел: Эта версия не представляется как рецензируемая статья. Актуальная рецензируемая версия, внешняя проверка и интеграция в реальном времени не подтверждены.
Проверка источника: 2026-10-1401 / Отчёт ↓02 / Структурированные результаты ↓03 / Контроль человеком ↓04 / Набор исследовательских данных
От исследования к клиническому применению
Цель модели, неопределённости и ограничения должны быть ясны. Независимая проверка, врачебный контроль и конфиденциальность данных рассматриваются вместе.
Эти примеры из литературы не являются свидетельством одобрения или эффективности разработок проф. д-ра Önen. В этом разделе нет индивидуальной оценки, загрузки данных пациента или диагностического инструмента.
Научный вклад
Классификация генитальных повреждений Önen
Шкала симптомов дисфункции мочевого пузыря и кишечника Önen
Алгоритм Önen по детским мочевым камням
Önen Nephro-Uro Stent; патентная запись CV TR201709887B, 2021
Подход к исследованиям и разработке искусственного интеллекта в детской урологии
TR201709887B, 2021: патентная запись Nephro-Uro Stent. Патент не означает, что устройство одобрено во всех странах или подходит в любой ситуации.
Связанные научные публикации