Genetik bir mutasyon ve bir kolesterol belirteci, bireysel bir hasta için tedavi sorusunu değiştirebilir. Flahy Inc., kurucu ve icra kurulu başkanı Jagjit Singh’e göre, bu biyolojik ayrıntıları klinik bilgilerle ilişkilendirmek ve önleme ile tedavi konusunda daha kişiselleştirilmiş kararları desteklemek için sağlık alanında bilgi grafikleri kullanıyor.
İçindekiler
Öne çıkan noktalar
- Flahy, bireyselleştirilmiş bakım kararlarını desteklemek için biyolojik ve klinik bilgileri birbirine bağlıyor.
- Neo4j, tescilli karar motorlarının yanında grafik teknolojisi çalışmalarını destekliyor.
- Giyilebilir cihaz ölçümleri, sağlık değişimlerini grafikler içinde izlemek için bir zorluk oluşturuyor.
SiliconANGLE tarafından 11 Ekim 2026’da aktarılan bir röportajda Singh, hasta verilerini yapay zeka modelleriyle bağlayan bir bilgi katmanını anlattı. theCUBE + NYSE Wired: AI Luminaries serisi için sunucu John Furrier ile konuşarak, şirketin bir kişinin bir sonraki klinik adımını belirlemeye yardımcı olmak için veri noktaları arasındaki ilişkileri nasıl kullandığını açıkladı.
Flahy sağlık alanında bilgi grafikleri nasıl kullanıyor?
Flahy, modellerinin bireyin bakımına ilişkin ilişkileri tanıyabilmesi için biyolojik ve klinik bilgileri bir grafiğe aktarıyor. Singh, ekibin yıllarını grafik tabanlı veritabanını oluşturmaya ve modeli bu bağlantıları tanımlayacak şekilde eğitmeye harcadığını söyledi.
Singh, “Bilgi katmanı çok kritik, çünkü veri katmanınızı model katmanınıza bağlar ve modele tam olarak hangi gerçeklerin önemli olduğunu ve belirli bir veri noktasının ne anlama geldiğini söyler,” dedi.
Uygulama, kişiselleştirilmiş klinik karar desteğidir: hangi tedavi yolunun bir kişinin biyolojik belirteçlerine ve mutasyonlarına uyduğunu belirlemek. Singh, hem genetik bir mutasyona hem de belirli bir yüksek kolesterol belirtecine sahip varsayımsal bir hasta üzerinden yaklaşımı örneklendirdi. Yeni bir klinik sinyal, bu mevcut ayrıntıların tedavi seçimini nasıl etkilediği sorusunu gündeme getirecektir.
Flahy için sağlıkta bilgi grafikleri uygulamak, bu daha geniş biyolojik bağlamı bireye yönelik bir karar ağacına bağlamak anlamına geliyor.
Neo4j işbirliği ve tescilli karar motorları
Flahy, Neo4j Inc. de dahil olmak üzere grafik teknolojisi şirketleriyle çalışıyor ve grafikler içinde klinik karar verme süreçlerini ele almak için kendi motorlarını geliştirmiş durumda, dedi Singh. Altta yatan görevi, bir bakım kararını desteklemek için grafiğin bağlantıları boyunca ilerlemeyi içeren bir geçiş (traversal) problemi olarak tanımladı.
“Kendi tescilli motorlarımızı oluşturduk,” dedi. Anlatımı, bu geliştirmeyi, zaman içinde toplanan sağlık ölçümleri de dahil olmak üzere farklı veri türleri arasında bilgi bağlantısı kurma zorluğuna bağlıyor.
Boylamsal veriler özel bir zorluk oluşturuyor. Giyilebilir cihaz ölçümlerinin, sistemin zaman içindeki değişiklikleri yorumlamasına olanak tanıyan bir grafikte diğer sağlık bilgileriyle yan yana yer alması gerekiyor.
Singh, “Boylamsal veriler söz konusu olduğunda, onu belirli bir grafiğe yerleştirmenin bir yolunu bulmanız gerekir,” dedi. Bunu, şirketin ayrı modaliteleri birbirine bağlayarak çözmeye çalıştığı bir zorluk olarak tanımladı.
Tüketiciye yönelik rehberlik ve klinik kullanım
Şirketin tüketiciye yönelik ürünü FlahyLife, önleme, erken teşhis ve tedavi seçimini yönlendirmek için biyolojik ve sağlık bilgilerini birleştiriyor. Şirketin yaklaşımını, birey için bir sonraki adımların belirlenmesine uyguluyor.
Flahy ayrıca klinik laboratuvarlar ve sağlık sistemleri ile çalışıyor ve platformunu klinik karar vermeyi iyileştirmek ve bakım boşluklarını kapatmak için kullanıma sunmaya çalışıyor, diye belirtti Singh. Amacı, insanları uygun testle uygun zamanda eşleştirmeye yardımcı olmak için grafiği bağlamak olarak tanımladı.
Bu makale, yapay zeka desteğiyle üretilmiş ve editör ekibi tarafından gözden geçirilmiştir.




