V poslední době se v publikacích pro širokou veřejnost i v odborné literatuře objevuje často termín „jazykový model“ ve spojení s různými aplikacemi umělé inteligence. Mnohdy jde v této souvislosti o atraktivní interaktivní systém ChatGPT pro návrh odpovědí na nejrůznější dotazy. Čtenáři však obvykle nevědí, co vlastně tento termín znamená. Poskytneme určité přiblížení tohoto termínu.

Recently, the term "language model" has appeared frequently in publications for the general public or in the medicine literature. However, readers usually do not know what this term actually means. We are going to give some background on this term. Often, in this context, it refers to the attractive interactive system ChatGPT for suggesting answers to various questions.

We aim to investigate the limitations to cardiac power and output reserve in healthy individuals and in heart failure with preserved ejection fraction (HFpEF). We hypothesize that the capacity of the myocardium to do mechanical work is limited by its ability to maintain ATP and its hydrolysis products at concentrations needed to support contraction. Our study involves multi-scale modeling of human whole-body cardiovascular physiology at rest and in exercise. We present preliminary support for our hypotheses through HFpEF phenotyping classified by simulations. Furthermore, we highlight the importance of understanding the interplay between cardiac mechanics, metabolism, and perfusion in health and disease.

Hlavním problémem digitalizace zdravotních záznamů je nestrukturovaná povaha mnoha lékařských záznamů, které jsou často zaznamenávány jako volný text, což komplikuje jejich strojové zpracování. V rámci akce CEE Hackathon 2023 v pražském IKEMu byla zkoumána možnost konverze digitálních nestrukturovaných záznamů do strukturované formy pomocí umělé inteligence. Byl vyvinut prototyp, který používá metody AI pro kategorické hodnocení zpráv a umožňuje dotazování v přirozeném jazyce.Klíčovou metodou pro analýzu textů bylo využití předtrénovaných modelů GPT (Generative Pre-trained Transformer) od OpenAI, které byly instruovány k identifikaci specifických diagnóz, jako je diabetes mellitus.

The main problem with the digitization of health records is the unstructured nature of many medical records, which are often recorded as free text, complicating their machine processing. During the CEE Hackathon 2023 event at IKEM in Prague, the possibility of converting digital unstructured records into a structured form using artificial intelligence was explored. A prototype was developed that uses AI methods for categorical evaluation of reports and allows natural language querying. The key method for text analysis was the use of pre-trained GPT (Generative Pre-trained Transformer) models from OpenAI, which were instructed to identify specific diagnoses, such as diabetes mellitus.

Umělá inteligence (Artificial intelligence - AI) je používána v medicíně nejméně 30 let, pouze jsme v současné době do oblasti AI přiřadili celou řadu procesů, která jsme dosud neoznačovali pojmem AI, např. expertní systémy, analýzu obrazu, programy pro podporu rozhodování (Decision Support Systems - DSS). V klinické biochemii jsme před 30 lety programovali expertní systémy predikce nádorů podle hodnot tumorových markerů. Obrovský rozvoj technologií, rychlost výpočetních procesů a nepředstavitelný rozsah dostupných dat nabízí v dnešní době řadu nových aplikací v klinické biochemii zahrnující analýzu obrazu (např.elektroforéza, imunofluorescence), neuronové sítě a strojové učení resp. hluboké (např. analýza LC-MS, VOC). V oblasti screeningu v gastroenterologii nabízí AI analýza endoskopických obrazů výrazné zvýšení kvality detekce prekanceróz a při screeningu celiakie rovněž analýzu endoskopických obrazů a imunofluorescenční detekce endomysia.

Artificial intelligence (Artificial intelligence - AI) has been used in medicine for at least 30 years, only we have currently assigned to the field of AI a whole range of processes that we have not yet labeled with the term AI, e.g. expert systems, image analysis, decision support programs (Decision Support Systems - DSS). In clinical biochemistry, 30 years ago we programmed expert tumor prediction systems based on tumor marker values. The enormous development of technologies, the speed of computing processes and the unimaginable range of available data offer nowadays a number of new applications in clinical biochemistry including image analysis (e.g. electrophoresis, immunofluorescence), neural networks and machine learning or deep learning (e.g. LC-MS, VOC analysis). In the field of screening in gastroenterology, AI analysis of endoscopic images offers a significant increase in the quality of precancer detection, and in the screening of celiac disease, it also offers analysis of endoscopic images and immunofluorescence detection of endomysium.

Virtuální realita (VR) a matematické modelování fyziologie jsou inovativní nástroje s rostoucím potenciálem v oblasti zdravotnictví. Tento příspěvek popisuje integraci těchto dvou technologií prostřednictvím vývoje unikátního prototypu. Virtuální prostředí s pokročilým matematickým modelem umožňuje realistické simulace fyziologických procesů a reakce na nastavení medicínského přístroje ve virtuální realitě. Tento model řídí chování pacientského monitoru a lékařských přístrojů ve virtuálním světě, což umožňuje uživatelům získat praktické zkušenosti a dovednosti v bezpečném a kontrolovaném prostředí. Naše inovace představuje významný krok vpřed v integraci VR technologií a fyziologických modelů pro vylepšení zdravotnické péče a vzdělávání a v současnosti zkoumáme komerční potenciál.

Cystic fibrosis (CF) is a genetic disease caused by mutations in the Cystic Fibrosis Transmembrane Conductance Regulator (CFTR) gene. This disorder causes a wide range of clinical complications, primarily affecting the respiratory and digestive systems and extending its impact to other physiological areas. Early detection and careful monitoring are paramount to mitigate disease progression and improve the quality of life of individuals with CF. Computed tomography (CT), particularly high-resolution CT (HRCT), has become a key diagnostic method for detecting pulmonary manifestations of CF. However, manual analysis of CT images requires a high level of expertise and is time consuming. The combination of artificial intelligence (AI) and deep learning with CT imaging predicts significant advances in CF detection. Deep learning, a subset of AI, uses neural networks to analyse complex morphological patterns indicative of disease from large datasets. This review traces the journey from the earliest attempts to use artificial intelligence in CF detection to recent advances made using deep learning algorithms.

V dynamicky se měnících podmínkách českého zdravotnictví je včasná identifikace hrozeb pro poskytovatele lůžkové zdravotnické péče nedocenitelnou výhodou. Disponibilní data informačních systémů mohou být použita také pro identifikaci vybraných hrozeb za situace, kdy dochází ke změnám vybraných úhradových parametrů péče. Příspěvek se zabývá hodnocením vybraných identifikátorů hrozeb ve vývojových trendech.

In rapidly changing enviroment of Czech healthcare system the identification of theats can present valuable advantage for inpatient care providers. Disponible data of information systems can be used for identification of threats when changes of selected parameters of care are provided. The following thesis is centered towards selected threat identificators in current development trends.

Vybraná data informačních systémů zdravotnických zařízení zobrazují dopady probíhajících komplexních dějů včetně změn ve struktuře poskytované péče. Příspěvek reflektuje dopady změn poskytované péče v souvislosti s pandemií COVID-19 v letech 2020-2021 a ve vazbě na existující úhradový mechanizmus analyzuje situační změny pro zdravotnické zařízení v nejbližším období. V této souvislosti reflektuje i systémové potřeby zdravotnického zařízení včetně stabilizace vybraných klíčových parametrů.

Data selected from information systems of a healthcare facility show impacts of complex events including changes in the structure of provided care. The following thesis reflects impact of changes in correlation with the COVID-19 pandemic between years 2020 and 2021 and analyses situational changes of healthcare facility in the close future, bonded with existing payment mechanisms. In this context as well reflects the needs of the healthcare facility including stabilisation of selected key parameters.

BACKGROUND --- 3Diamond introduces an innovative approach to managing additive manufacturing processes in healthcare settings. This software product leverages advanced data management techniques to streamline the use of 3D printing technologies in clinical environments, addressing the growing demand for precision and customization in patient-specific care.

METHODS --- 3Diamond functions akin to a Product Life-Cycle Management (PLM) system and is the result of collaborative efforts among biomedical engineers, software developers, clinical data managers, and medical practitioners. The presentation will focus on two distinct case studies: the Regional Hospital Liberec and the University Hospital Brno.

Tento článek zkoumá současné a potenciální interakce mezi medicínským výukovým portálem a velkými jazykovými modely (LLM). S rostoucím využíváním LLM se zvyšuje citovanost WikiSkript jako zdroje důvěryhodných informací, pravděpodobně díky jejich dobré pověsti a politice otevřených licencí. Podobně i ve výuce medicíny nabývá na významu využití LLM modelů. Studenti například analyzují strojově vytvořené popisy medicínských entit (často vybraných učitelem z WikiSkript) vytvořené pomocí LLM. To umožňuje učitelům posunout výuku na vyšší úroveň kognitivních dovedností a zároveň využít nedokonalosti textů generovaných LLM k podpoře kritického myšlení studentů. V příspěvku bude diskutována nově se otevírající možnost rozšířit snadnou upravitelnost textů v prostředí wiki i na obrázky a schémata. Mohly by k tomu sloužit textové editace obrazových promptů, nebo s pomocí LLM vygenerovaná schémata a automatickým shrnutím wiki článku.

Interactions of Large Language Models (LLMs) and the Medical Learning Portal WikiSkripta

This paper explores the current and potential interactions between the medical learning portal and large language models (LLMs). As the use of LLMs increases, the station frequency of WikiSkripta as a source of credible information is also increasing, probably due to its reputation and open licensing policy. Similarly, the use of LLMs in medical education is also gaining importance. For example, students analyze and annotate LLM-generated descriptions of teacher-selected entities from WikiSkripta. This allows teachers to shift education to higher levels of cognitive skills while utilizing the imperfections in LLM-generated texts to enhance students' critical thinking.

Finsko patří v digitalizaci k nejvyspělejším zemím Evropy. V rámci indexu DESI, kterým Evropská komise hodnotí úroveň digitalizace jednotlivých zemí EU, se Finsko umísťuje pravidelně na první příčce. Nejinak je tomu i v případě zdravotnictví, kde Finsko pracuje na digitalizaci od 80. let 20. století. Kolem roku 2005 pak dosáhlo plné elektronizace veškerých záznamů ve zdravotnictví napříč segmenty s tím, že nyní jde stejnou cestou v oblasti sociálních služeb, které mají, pokud jde o digitalizaci, prakticky totožná pravidla. To umožní mj. snadnější sdílení dat mezi poskytovateli zdravotní a sociální péče. Důležitá je i vysoká míra standardizace v oblasti zdravotních záznamů a technických požadavků napříč zdravotním systémem. Pro jednotlivé zdravotní informační systému existuje systém certifikace zajišťující jejich bezpečnost a funkčnost. Základním pilířem je přitom národní informační systém KANTA spravovaný státním úřadem pro sociální zabezpečení KELA. Pro všechny poskytovatele zdravotních a sociálních služeb existuje ze zákona povinnost být součástí tohoto systému. V rámci národního informačního systému jsou uchovávána data o jednotlivých pacientech, k jejichž sdílení se vyžaduje souhlas pacienta. Zvláštním zákonem je pak řešena elektronická preskripce.

Finland is one of the most digitally advanced countries in Europe. Finland regularly ranks first in the European Commission's DESI index, which assesses the level of digitalisation of EU countries. This is also the case in healthcare, where Finland has been working on digitisation since the 1980s. Around 2005, it then achieved full computerisation of all health records across segments, with the same path now being followed in social services, which have virtually identical rules when it comes to digitisation. This will allow, among other things, easier data sharing between health and social care providers. The high degree of standardisation in health records and technical requirements across the health system is also important. There is a certification system for individual health information systems to ensure their security and functionality. The national information system KANTA, managed by the state social security agency KELA, is the cornerstone. All health and social service providers are legally obliged to be part of this system.