Интеллектуальные системы в медицине реферат

Обновлено: 04.07.2024

Искусственный интеллект уже водит машины, отвечает на звонки, пишет тексты и рисует картины. А как насчет медицины? Отвечаем: в этой области он тоже набирает обороты и постепенно превращается в важного помощника медицинского персонала. Внедрение систем на базе ИИ – один из ключевых трендов современного здравоохранения. В этой статье мы расскажем, как в этом направлении развивается медтех рынок и как использовать ИИ в медицине и здравоохранении.

Медтех, или медицинские технологии, – это применение гаджетов и сервисов в здравоохранении. Сюда можно отнести приложения, информационные сети и другие разработки, которые могут использовать пациенты и врачи. Вот задачи, в которых могут быть полезны медицинские технологии:

поддержка принятия врачебных решений;
подбор индивидуального лечения; ;
удаленный мониторинг и помощь пациентам;
разработка лекарственных препаратов;
протезирование с помощью интеллектуальных систем.

По прогнозам Deloitte, к 2022 году объем расходов на мировом рынке здравоохранения достигнет $10,059 трлн. Частный пример современных медицинских технологий – это искусственный интеллект, который сейчас активно внедряется в здравоохранение. Например, рынок ИИ-приложений в области медицины вырос в десять раз с 2014 года:

Источник: PwC

Информация о пациентах может храниться в десятках клиник и медицинских карточек. Это усложняет сбор анамнеза и постановку диагноза. Интерпретация анализов, тестов и снимков тоже может быть недостаточно точной из-за объема данных. Даже если у врача на руках находится вся необходимая информация, он не всегда может правильно ее интерпретировать и заметить каждую деталь. От этого могут зависеть жизни пациентов.

Google Deepmind Health анализирует симптомы и предлагает несколько диагнозов. Результаты поиска основаны на миллионах страниц научной информации, которые содержат даже самые малоизвестные заболевания. Сервис MedClueRx анализирует симптомы и не просто диагностирует болезнь, но и выбирает максимально безопасные и эффективные препараты в зависимости от особенностей пациента.

Системы с искусственным интеллектом позволяют распознавать заболевания даже на ранней стадии. Например, сервисы Zebra Medical Vision и Arterys помогают врачам-диагностам сосредоточиться на общении с пациентами и избавиться от необходимости вглядываться в мельчайшие детали снимков легких и УЗИ сердца.

Такие типы ИИ-программ могут использовать не только врачи, но и пациенты. Сервис 23andMe анализирует генетическую информацию и рассказывает пользователю о его предках. Стартап Sophia Genetics использует генетические данные для выявления предрасположенности к определенным заболеваниям. Так пациенты корректируют свой образ жизни, а врачи выбирают наиболее вероятные диагнозы.

Разработка вакцины и последующие клинические исследования – это долгие и дорогостоящие процессы. ИИ может уменьшить время на разработку новых лекарств в несколько раз, анализируя молекулярные структуры существующих препаратов и предлагая новые согласно заданным требованиям. Например, в 2019 году компания Insilico Medicine таким образом создала несколько вариантов лекарств для лечения мышечного фиброза. Для этой задачи алгоритмам понадобился 21 день, после чего ученые отобрали наиболее подходящие варианты препаратов и за 25 дней провели тест на лабораторных животных. Таким образом, понадобилось 46 дней для выбора подходящего лекарства. Однако традиционный процесс разработки лекарств занимает около 8 лет и стоит фармкомпаниям несколько миллионов долларов. Новые технологии дают надежду на то, что с их помощью мы сможем быстрее получить лекарства от болезней, которые сегодня не поддаются лечению: рассеянный склероз, болезнь Альцгеймера и другие.

Дисбаланс и дефицит медицинских кадров высшего и среднего звена был во всем мире еще до вспышки коронавируса. По данным Всемирной Организации Здравоохранения, чтобы люди во всем мире имели доступ к услугам здравоохранения к 2030 году, странам с низким уровнем дохода нужно еще 18 миллионов медицинских работников. В дальнейшем ситуация, скорее всего, не стабилизируется из-за роста населения, старения общества и изменения клинической картины заболеваний. Эти факторы только повысят спрос на высококвалифицированных медицинских работников и усложнят доступ к медицинской помощи. Поэтому инновационные технологии должны содержать в себе искусственный интеллект и базу знаний в предметной области. Так они освободят врачей от рутинных повседневных задач: внесение информации в медкарту, детальный анализ большого массива данных из истории болезней и т.д. Благодаря этому медработники сконцентрируют время и усилия на решении серьезных диагностических вопросов и выборе лечения. Современные ИИ-технологии могут помочь системе здравоохранения повысить удовлетворенность пациентов и медицинского персонала, снизить стоимость медицинских услуг и улучшить качество медицинской помощи.

О популярности телемедицины мы уже говорили в статье про медтех тренды 2021. Удаленные консультации расширяют доступ к качественной медицинской помощи, особенно в малонаселенных пунктах, где в ней нуждаются больше всего. Кроме того, онлайн-консультации предоставляет возможность снизить затраты на здравоохранение и получить второе мнение по результатам исследований, чтобы уточнить диагноз и план лечения. ИИ делает телемедицину значительно удобнее. Он применяется для удаленной диагностики, сбора медицинских показателей и работы с информацией о пациентах.

Например, в нашем приложении для докторов Primu.Online планируется внедрить ИИ для анализа симптомов и перевода записей приёмов в текстовый формат. А в Google уже разработали алгоритм, который по фотографии сетчатки глаза выявляет диабетическую ретинопатию. Так врачи могут избежать рутинных задач и сложностей диагностики, чтобы сосредоточиться на лечении.

Например, В Google разработали алгоритм, который по фотографии сетчатки глаза выявляет диабетическую ретинопатию. Так врачи могут избежать рутинных задач и сложностей диагностики, чтобы сосредоточиться на лечении.

Над телемедицинскими приложениями работают многие крупные компании, например, Сбер. Приложение СберЗдоровье использует искусственный интеллект для распознавания симптомов. Перед онлайн-консультацией оно предполагает диагнозы и исходя из этого советует клиенту врача. Это снижает нагрузку на медицинских работников, при этом позволяя пациентам более внимательно отслеживать свое состояние.

На рынок медтеха входят крупные игроки: Google, Apple, Microsoft. Их продукты с использованием ИИ улучшают точность диагнозов, доступность врачей и систематизацию медицинских данных. Преимущество этих больших компаний в наличии средств и квалифицированных сотрудников. Это позволяет им создавать комплексные продукты, которые включают не доступные ранее возможности. Например, Google Health – это сервис, объединяющий разнообразные услуги как для пациентов, так и для врачей. С помощью ИИ он помогает предотвратить слепоту, выявить рак груди на ранней стадии, поддерживать психическое здоровье и т.д.

Однако новейшим технологиям сейчас противопоставлены их дороговизна и недоверие людей к машинам. Кроме того, многим развивающимся странам для внедрения искусственного интеллекта в медицину не хватает оборудования и средств. Следовательно, чтобы удовлетворить аудиторию, нужно создавать оптимальные продукты. Например, более простые и дешевые ИИ-системы сделают медицину доступнее, а качественный маркетинг и положительные отзывы убедят клиентов в пользе искусственного интеллекта. Это отличный шанс нащупать правильный подход к аудитории и занять прибыльную нишу. Кроме того, согласно исследованиям, рынок ИИ в медицине будет стремительно расти в ближайшие несколько лет:

Современный этап развития информатизации здравоохранения характеризуется полномасштабным внедрением в деятельность медицинских организаций медицинских информационных систем, охватывающих практически все стороны их деятельности, включая управление ресурсами, управление лечебным процессом и оказание медицинской помощи. Также важной особенностью современного этапа является неуклонное развитие Интернета в Российской Федерации, который оказывает все большее влияние на все сферы деятельности государства, жизни общества и каждого отдельного гражданина, и находится под постоянным наблюдением руководства страны, а здравоохранение является важнейшим направлением, где Интернет имеет серьезное значение. Эти два фактора позволяют определить важнейшие направления развития информационных технологий с применением возможностей Интернета в здравоохранении, одним из которых является внедрение систем искусственного интеллекта. В статье определяются основные направления внедрения систем искусственного интеллекта в здравоохранении, приводится анализ особенностей внедрения интеллектуальных систем в здравоохранении, декларируется, что основу интеллектуальных систем поддержки принятия врачебных решений составляет система управления базой знаний.

1. Бураковский В.И., Бокерия Л.А., Газизова Д.Ш., Лищук В.А. и др. Компьютерная технология интенсивного лечения: контроль, анализ, диагностика, лечение, обучение. – М.: НЦ ССХ РАМН, 1995.

2. Вольфенгаген В.Э., Яцук В.Я. Аппликативные вычислительные системы и концептуальный метод проектирования систем знаний. – МО, 1987.

4. Искусственный интеллект. В 3 кн. Кн. 2. Модели и методы: Справочник. / Под ред. Д.А. Поспелова. – М.: Радио и связь, 1990.

5. Клещев А.С., Самсонов В.В., Черняховская М.Ю. Медицинская экспертная система КОНСУЛЬТАНТ-2. Представление знаний. – Владивосток: ИАПУ ДВО АН СССР, 1987.

6. Клименко Г.С., Лебедев Г.С. Развитие российского Интернета в здравоохранении // Информационно-измерительные и управляющие системы. – 2015. – Т. 13, № 10. – С. 14–19.

7. Кобринский Б.А. Автоматизированные диагностические и информационно-аналитические системы в педиатрии // Русский медицинский журнал. – 1999. – Т. 7, № 4. – С. 35–42.

8. Кобринский Б.А. Особенности медицинских интеллектуальных систем // Информационно-измерительные и управляющие системы. – 2013. – Т. 11, № 5. – С. 58–64.

9. Кобринский Б.А. Системы поддержки принятия решений в здравоохранении и обучении // Врач и информационные технологии. – 2010. – № 2. – С. 39–45.

10. Лебедев Г.С., Коробов Н.В., Ефремова Т.А., Лошаков Л.А., Котов Н.М. Построение информационного ресурса прогнозирования совместимости лекарственных препаратов и оптимизации выбора препарата замены // Современные наукоемкие технологии. – 2015. – № 12-4. – С. 615–619.

12. Лебедев Г.С., Лидов П.И., Котов Н.М. Построение информационной системы динамического наблюдения за состоянием здоровья спортсменов // Фундаментальные исследования. – 2015. – № 11-4. – С. 697–702.

14. Лескин А.А., Мальцев В.Н. Системы поддержки управленческих и проектных решений. – Л.: Машиностроение, 1990.

15. Назаренко Г.И., Осипов Г.С., Назаренко А.Г., Молодченков А.И. Интеллектуальные системы в клинической медицине. Синтез плана лечения на основе прецедентов / Информационные технологии и вычислительные системы 1/2010.

16. Назаренко Г.И., Осипов Г.С. Основы теории медицинских технологических процессов. – М.: Наука, Физматлит, 2005.

17. Назаренко Г.И., Осипов Г.С. Основы теории медицинских технологических процессов. Ч. 2. Иследование медицинских технологических процессов на основе интеллектуального анализа даных. – М.: Наука, Физматлит, 2006.

20. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. – М.: Наука, 1987.

21. Поспелов Г.С. Искусственный интеллект – основа новой информационной технологии. – М.: Наука, 1988.

22. Поспелов Г.С., Поспелов Д.А. Искусственный интеллект – прикладные системы. // Новое в жизни, науке и технике, сер. Математика, кибернетика, N 9. – М.: Знание, 1987.

25. Финн В.К., Блинова В.Г., Панкратова Е.С., Фабрикантова Е.Ф. Интеллектуальные системы для анализа медицинских данных. Часть 1 // Врач и информационные технологии. – 2006, № 5. – С. 62–70. Часть 2. Врач и информационные технологии. – 2006. – № 6. – С. 50–60, Часть 3 // Врач и информационные технологии. – 2007. – № 1. – С. 51–57.

28. Экспертные системы: принципы работы и примеры. / Брукинг А., Джонс П., Кокс Ф. и др.; под ред. Форсайта Р. – М.: Радио и связь, 1987.

31. Barnett G.O., Cimino J.J., Hupp J.A., Hoffer E.P. DXplain – an evolving diagnostic decision-support system. JAMA. 1987; 258: 67-74.

34. Shortliffe E.H. Computer-Based Medical Consultations: MYCIN. Elsevier/North Holland, New York NY, 1976.

Современный этап развития информатизации здравоохранения характеризуется полномасштабным внедрением в деятельность медицинских организаций медицинских информационных систем, охватывающих практически все стороны их деятельности, включая управление ресурсами, управление лечебным процессом и оказание медицинской помощи. Также важной особенностью современного этапа является неуклонное развитие Интернета в Российской Федерации, который оказывает все большее влияние на все сферы деятельности государства, жизни общества и каждого отдельного гражданина, и находится под постоянным наблюдением руководства страны, а здравоохранение является важнейшим направлением, где Интернет имеет серьезное значение. Эти два фактора позволяют определить важнейшие направления развития информационных технологий с применением возможностей Интернета в здравоохранении [6], одним из которых является внедрение систем искусственного интеллекта.

Отличительные особенности интеллектуальных систем

база знаний (БЗ);
подсистема вывода и объяснения решений;
подсистема накопления и модификации знаний (система управления БЗ – СУБЗ).

Назначение основных элементов ИСППР следующее.

СУБД – предназначена для ведения БД ИСППР. Она обеспечивает создание и изменение логической структуры БД, введение, корректировку и удаление конкретных значений хранимых элементов, а также поиск и выдачу необходимой информации по запросу ЛПР.

СУБМ – предназначена для ведения БМ ИСППР. Она обеспечивает ведение каталога прикладных моделей и осуществляет доступ к моделям при необходимости их использования.

СУБЗ – предназначена для ведения БЗ ИСППР. Она обеспечивает накопление (описание) новых знаний, просмотр, корректировку и удаление знаний, их синтаксический и первичный семантический контроль, а также доступ к необходимым знаниям при выработке решения.

Подсистема вывода и объяснения решения – предназначена для выработки решения по запросу ЛПР путем манипулирования со знаниями, хранящимися в БЗ, а после завершения вывода – объясняет полученное решение.

Поэтому под ИСППР можно понимать такую СППР, которая включает интеллектуальный интерфейс пользователя с системой, обеспечивающий общение на профессиональном языке предметной области.

Особенности ИСППР, связанные с необходимостью использования различных источников информации, моделей и методов при решении слабоструктурированных проблем, требуют от разработчиков СППР основное внимание сосредотачивать на проблемах представления и обработки знаний в системе. Эти исследования традиционно относят к области ИИ и, в частности, к экспертным системам (ЭС).

Направления применения интеллектуальных систем в здравоохранении

СИИ могут применяться в следующих основных направлениях в здравоохранении [1, 5, 7–9, 14–17, 25, 31–34]:

СИИ в навигации пациента в системе здравоохранения;
СИИ в поддержке принятия решений в области управления здравоохранением;
СИИ в области поддержки принятия врачебных решений.

Наиболее оправдано внедрении СИИ, в первую очередь, для поддержки действий врачей в чрезвычайных ситуациях, т.е. ситуациях, требующих принятия незамедлительного решения по оказанию пациенту неотложной помощи. Характерными чертами таких ситуаций являются:

жесткий лимит времени, предоставляемый медицинскому работнику на принятие решения в сфере его компетенции;
катастрофические последствия здоровью пациента из-за неверных или несвоевременных решений, вырабатываемых лицом, принимающим решение (ЛПР);
стрессовым состоянием различной степени медицинских работников.

Отнесем также к чрезвычайным ситуациям посещение врача, уровень знаний которого оставляет желать лучшего. Также чрезвычайной можно считать ситуацию при наличии у пациента большого количества сопутствующих хронических заболеваний.

Нужно отметить, что применение ИССПВР оправдано при принятии решений о применении дорогостоящих методов оказания медицинской помощи (например, вспомогательные репродуктивные технологии) и принятие решения о медицинском вмешательстве, имеющем критическое влияние на здоровье пациента.

Перечисленные факторы неизбежно в значительной степени затрудняют процесс выработки рационального варианта действий медицинских работников. В этих условиях обращение к СОЗ, включенной в состав медицинской информационной системы (МИС), позволяет своевременно получить рекомендации по целесообразному варианту плана оказания медицинской помощи в сложившейся чрезвычайной ситуации, заблаговременно апробированного в ходе деловых игр, и хранимые в базе знаний (БЗ) СОЗ.

Процесс принятия врачебных решений в условиях чрезвычайной ситуации можно условно разбить на следующие этапы:

распознавание ситуации и отнесение ее к одному из классов ситуаций;
получение альтернативных решений;
прогнозирование возможных исходов принятых врачебных решений;
установление отношений предпочтения на множестве альтернативных решений на основе проведенного анализа;
выдача рекомендаций врачу.

Такая ИСППВР для принятия врачебных или управленческих решений в чрезвычайных ситуациях должна представлять собой информационную систему, обеспечивающую заблаговременную формализацию задач оценки состояния пациента и выработки рекомендаций по лечению, а также выработку в масштабе времени, близком к реальному решению указанных задач.

Такая ИСППВР предназначена для:

заблаговременного формирования баз знаний путем накопления и автоматической обработки экспертной информации (знаний) о зависимости результатов решения в интересах решения задач оценки состояния организма;
автоматической корректировки базы знаний, обусловленной уточнением экспертной информации в процессе эксплуатации ИСППВР;
автоматического выявления противоречий и некорректности экспертной информации и выдачи их эксперту в виде, удобном для анализа, проводимого с целью их устранения;
автоматической настройки на работу с предметной областью, соответствующей решаемой в текущий момент времени задаче;
выработки обоснованных решений расчетных задач на основе как полной, так и неполной исходной информации о текущей ситуации;
формирования объяснения результатов логического вывода решений задач.

Кроме того, такая ИСППВР должна обеспечивать:

рациональное сочетание деятельности медицинских специалистов и работы средств автоматизации;
автоматизацию процессов, предусматривающих обработку информации в сжатые сроки;
адаптацию к имеющемуся в наличии ресурсу времени;
обработку информации, поступающей от различных источников.

На ИСППВР в чрезвычайных условиях должны быть возложены следующие функции:

слежение за состоянием организма;
анализ и обобщение данных о пациенте;
выявление признаков возникновения чрезвычайных ситуаций;
определение признаков ухудшения ситуации;
выработка вариантов решений по воздействию на организм;
обеспечение взаимодействия медицинских работников (консилиумов) в процессе подготовки принимаемого решения;
контроль выполнения назначений.

Кроме того, отметим следующие области деятельности медицинских работников, где применение ИСППВР является насущной необходимостью:

анализ состояния и определение тенденций развития состояния пациента.
обоснование предложений по рациональному составу и организации лечебного процесса.
обоснование предложений по рациональному управлению медицинской помощью в различных условиях.
обоснование характеристик перспективных методов лечения и диагностики.
отработка применения перспективных МИС и отдельных средств управления здравоохранением.

Таким образом, внедрение систем, основанных на знаниях, в процесс принятия врачебных решений в чрезвычайных ситуациях ухудшения здоровья, получивших название ИСППВР, является необходимой, важной и, несомненно, актуальной задачей.

Особенности внедрения интеллектуальных систем в медицине

Разработке и успешному внедрению ИСППВР в лечебном процессе препятствуют некоторые факторы, которые при определенных условиях могут иметь доминирующее значение.

Первая группа факторов носит субъективный характер. Она связана с негативным отношением многих разработчиков МИС к проблеме его интеллектуализации. К таким факторам можно отнести следующие:

Следующая группа факторов связана с современным состоянием развития теории ИИ и практики создания Единой государственной информационной системы в сфере здравоохранения в РФ. К этим факторам относятся:

низкий уровень автоматизации органов управления различной иерархии, выдвигающий на первый план задачи разработки в первую очередь систем, обеспечивающих их внутреннее функционирование;
наличие большого количества литературы по ИИ и укоренившееся мнение, что все вопросы ИИ уже решены;
оторванность теоретиков в области ИИ от проблем практики здравоохранения.

Кроме того, к факторам, определяющим сложности внедрения ИСППВР в лечебный процесс, следует также отнести следующие факторы:

необоснованные попытки внедрения ИСППВР в тех областях, для которых применение интеллектуальных систем преждевременно или вообще не оправдано;
отождествление поисковых и информационно-справочных систем с системами искусственного интеллекта и т.д.

Следующая группа факторов определяется сложностью процесса построения ИСППВР, обусловленной необходимостью:

Эти и другие факторы существенно затормозили процесс внедрения ИСППВР в лечебный процесс и в современных условиях научной проработкой указанных проблем и разработкой прототипов таких систем заняты, в основном, одиночные исполнители.

Особенности систем формализации медицинских знаний (СУБЗ)

Основу ИСППВР, как было уже показано, составляет база экспертных медицинских знаний. Адекватность, непротиворечивость и ее полнота обеспечит своевременное и доказательное принятие врачебных решений. В этой связи представляется важным определить основные требования к СУБЗ, которая должна обеспечить:

Кроме того, СУБЗ должна обладать следующими полезными свойствами:

адекватностью методов представления внешних (ориентированных на пользователя) знаний информационным элементам, используемым в медицине;
единой внутренней моделью знаний для различных внешних представлений;
агрегированным интеллектуальным интерфейсом, обеспечивающим возможность представления различных информационных структур знаний и быстрых переходов между этими представлениями.

Исходя из отмеченной специфики задач принятия врачебных решений, можно сформулировать следующие требования к СУБЗ:

– описание новых элементов знаний в БЗ;

– изменение хранящихся в БЗ элементов знаний;

– удаление хранящихся в БЗ элементов знаний;

– просмотр содержимого БЗ;

– синтаксический контроль вводимой информации;

– семантический контроль состояния БЗ;

– оптимизацию размещения БЗ в памяти ЭВМ;

– документирование содержимого БЗ;

Таким образом, основным направлением применения ИСППВР является принятие врачебного решения в чрезвычайных ситуациях развития состояния пациента, когда ответственность за принятое решение является критической.

Основу ИСППВР составляет СУБЗ, для эффективного сознания которой необходимо решить следующие задачи:

разработать модель представления медицинских знаний, наиболее соответствующую выводу врачебных решений;
разработать дружественный интерфейс для медицинского эксперта, позволяющий ему успешно формализовать свои знания;
разработать математический аппарат, позволяющий накапливать знания во взаимодействии с интегрированной электронной медицинской картой и другими источниками медицинских данных.

В рамках решения научных задач по созданию прототипов интеллектуальных систем поддержки принятия врачебных решений можно отметить работы построения интеллектуальной системы выбора методов фармакотерапии, прогнозирования совместимости лекарственных препаратов и оптимизации выбора препарата замены [10, 11], интеллектуальной системы динамического наблюдения за состоянием здоровья спортсменов [12], интеллектуальной системы прогнозирования вероятности наступления беременности при применении вспомогательных репродуктивных технологий [13]. Авторы прогнозируют также серьезный всплеск исследований в области применения СИИ в здравоохранении, особенно в свете последних решений в области развития Интернет-технологий в Российской Федерации [3, 23].

Искусственный интеллект в тренде. Он уже рисует картины, водит автомобиль и отвечает на звонки в организациях. Всё шире применяется он и в медицине, причём показывает высокую эффективность. И покажет ещё бо́льшую, если привлечь простых людей к сбору данных и изменить законодательство. Правда, некоторые связанные с его внедрением проблемы в рамках текущей мировой политэкономической ситуации кажутся неразрешимыми.

История

Исследования, проведенные в 1960-х и 1970-х годах, позволили создать первую экспертную систему, которая известна как DENDRAL. В то время, как она была разработана для применения в органической химии, она послужила основой для последующей системы MYCIN, которая считается одним из наиболее значимых ранних применений искусственного интеллекта в медицине. Однако, MYCIN и другие системы, такие как Internist-1 и CASNET не достигли широкого применения.

1980-е и 1990-е годы привели к распространению микрокомпьютеров и созданию глобальных сетей. Произошло признание исследователями и разработчиками того факта, что системы ИИ в здравоохранении должны быть разработаны. Ученые утверждали, что программы должны быть рассчитаны на отсутствие идеальных сведений и должны опираться на опыт врачей. Новые подходы, связанные с теорией нечётких множеств, сетей Байеса и искусственных нейронных сетей, были созданы, чтобы отражать развитие потребности здравоохранения в интеллектуальных вычислительных системах.

Однако с 2002 года технологии сделали большой шаг вперед, а к программам внедрения искусственного интеллекта в медицину подключились и IT-гиганты, и целые государства. Сегодня ученые надеются, что с помощью искусственного интеллекта уже в ближайшем будущем возможно будет прийти к сверхточной (или прецизионной) медицине, в рамках которой появится возможность назначать индивидуальное лечение каждому отдельному человеку, учитывая его уникальные генетические и другие особенности. В США уже объявили о запуске пилотных проектов по развитию прецизионной медицины.

Примеры

Корпорация IBM

Рисунок 2

Компания IBM разрабатывает системы в области лечения онкологии. Также проводит совместную работу с Джонсон & Джонсон в области исследования и лечения хронических заболеваний.

Microsoft

Рисунок 3

Корпорация Microsoft занимается разработкой наиболее эффективных лекарств и методов лечения от рака. Проект включает в себя анализ медицинских изображений опухолей и математический анализ развития клеток.

Компания Google

Рисунок 4

Корпорация Intel

Рисунок 5

Корпорация Intel разрабатывает программы с ИИ, которые определяют пациентов, входящих в группу риска, и предлагают вариант лечения.

Компания Medtronic

Компания Medtroniс совместно с IBM разрабатывают приложение для людей, страдающих сахарным диабетом. Приложение будет способно определить критическое снижение уровня сахара в крови за 3 часа до наступления события. Для этого используют данные с глюкометров и инсулиновых помп от 600 анонимных пациентов. Отслеживать своё здоровье люди смогут с помощью специального приложения и носимых медицинских устройств.

Так же многими компаниями разрабатываются системы, позволяющие реанимировать пациентов с заболеваниями сердца.

Сферы применения в медицине

- приложения и программные продукты для распознавания медицинских изображений (снимков МРТ, заключений УЗИ, кардиограмм, результатов компьютерной томографии);

- стартапы для разработки лекарственных препаратов (микроскопический анализ, изучение эффективности препаратов, исследование вирусов и поиск эффективных вакцин);

-использование технологий машинного обучения в сфере протезирования (интеллектуальные системы разрабатывают удобные протезы с учетом анатомических особенностей человека);

-приложения для удаленной помощи пациенту (они популярны в Великобритании – с их помощью врачи общей практики могут в удаленном режиме дать рекомендации для лечения простудных болезней или других состояний, не угрожающих жизни);

-стартапы по лечению раковых заболеваний (например, SOPHiA AI – приложение по диагностике рака, привлекшее 30 млн.долл. инвестиций, умеющее анализировать клиническую картину состояния пациента и предлагать эффективную схему лечения).

Заключение

Рисунок 7

Медико-технологические достижения, произошедшие в этот полувековой период, позволили вывести здравоохранение на новый уровень. Новые приложения и системы, связанные с ИИ, обладают рядом неоспоримых преимуществ:

Увеличенная вычислительная мощность приводит к более быстрому сбору и обработке данных.

Увеличение объема и доступности связанных со здоровьем данных, которые получены из личных и медицинских устройств врачей и пациентов.

Рост геномных баз данных секвенирования.

Широкое внедрение электронных медицинских систем записи данных.

К 2019 году для специального исследования будут отобраны 1 миллион добровольцев. Исследование направлено на то, чтобы показать связь между состоянием здоровья, образом жизни, окружающей средой, а также социальным и экономическим статусом. Полученные данные будут обработаны с помощью ИИ.

Шадеркин И.А. – к.м.н., заведующий лабораторией электронного здравоохранения Института цифровой медицины Первого Московского государственного медицинского университета им. И.М. Сеченова; Москва, Россия; РИНЦ Author ID 695560

ВВЕДЕНИЕ

Автор публикации тоже работает над вопросами принятия врачебных решений, и, сам будучи врачом, в ходе работы и имеющейся практики обнаружил ряд важных вопросов, которыми счел необходимым поделиться с профессиональным сообществом.

КЛЮЧЕВЫЕ МОМЕНТЫ РАЗРАБОТКИ ИИ

Команды, создающие решения на базе ИИ, включают в себя, помимо руководства и представителей бизнеса (сэйлс, маркетинг), команду разработчиков, программистов и специалистов по знаниям, дата-сайентистов, которые, как правило, являются представителями медицинского и научного сообщества и являются экспертами в предметной области, для которой строятся решения на базе ИИ.

Важным компонентом бизнес-продукта являются медицинские данные (знания), которые либо берутся из открытых источников (дата-сеты, размеченные данные), либо собираются дата-сайентистами из команды разработчиков. Созданное программное обеспечение принимает решение на основе данных/знаний, поэтому качество этих данных является ключевым аспектом правильности работы программного обеспечения.

ПРИЧИНЫ НЕУДАЧ В СИСТЕМЕ ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ

Есть очевидные и наиболее часто упоминаемые причины некачественной работы вне заявленных характеристик ИИ в медицине:

Ошибки в использовании программных библиотек.
Некачественно собранные медицинские данные.
Недостаточное количество данных или выборки данных для обучения алгоритма.
Нерепрезентативная выборка (не все данные, не по всем клиническим случаям оказались в дата-сете).
Ошибки в разработке программного продукта.

Это лежащие на поверхности, часто упоминаемые причины.

Однако есть ряд других причин, которые порой не учитываются в разработке, но могут носить фатальный характер в принятии медицинских клинических решений:

1. Искажение первичных медицинских знаний.

2. Отсутствие знаний или недостоверные знания о предметной области.

На приеме практически нет возможности сказать пациенту, что врач не знает какой ставить диагноз или как его лечить. Сложилось мнение, что пациент всегда должен выйти от врача с решением своей проблемы. С другой стороны, это дополнительно продиктовано взглядом СМИ на текущее состояние науки и здравоохранения, когда в СМИ представляются абсолютные знания и современное состояние проблем. На этом фоне очень сложно специалисту, который несет юридическую ответственность, сказать, что он не знает или не уверен в диагнозе или методах лечения.

3. Социальные искажения.

Перспективность применения к пациенту того или иного метода, использование дорогостоящих методов диагностики и лечения, прогноз развития заболевания, эвтаназия, личное отношение врача к пациенту и другие моменты – лежат за рамками медицины, основанной на доказательствах. Принятие решения врачом в таких ситуациях носит иррациональный характер и лежит в рамках этических, культурных, а порой и религиозных аспектов. Такие знания очень сложно на сегодняшнем уровне собрать, классифицировать и алгоритмизировать. Как правило, решения принимает врач на свой страх и риск, под свою ответственность, не афиширует, и тем более, не публикует.

В ряде клинических ситуаций принятие врачом таких решений носит ключевой характер, но не может быть протоколировано и алгоритмизировано в программном обеспечении в ИИ.

ВЫВОДЫ

При разработке решений на базе ИИ кажется важно учитывать вышеперечисленные моменты как разработчикам, так и пользователям.

Ключевые слова: искусственный интеллект в медицине; глубокое машинное обучение; системы поддержки принятия врачебных решений

Искусственный интеллект спешит на помощь.

Что такое искусственный интеллект

Здесь под искусственным интеллектом (ИИ) мы будем понимать способность машины имитировать умное поведение людей, то есть — умение ориентироваться в меняющемся контексте и принимать с учётом этих изменений оптимальные, позволяющие достичь цели решения.

Сегодня масштабно используются две технологии ИИ — экспертные системы и нейронные сети. В то время как экспертные системы отживают свой век, нейронные сети (НС) завоевали рынок благодаря способности учиться.

Выделяют несколько видов ИИ:

Узкий ИИ (narrow AI) — спроектирован, чтобы решать определённую задачу;
Общий ИИ (general AI, AGI) — сможет решать любые задачи, с которыми справится человек;
Superintelligence — будет опережать человека по сложности решаемых задач.

Примитивно обучение нейронных сетей можно представить так: на входные нейроны подаются данные, дальше они обрабатываются нейронами на внутреннем слое, и на выходных нейронах получаются некоторые значения. Если полученные значения нас не устраивают, мы меняем веса соединений в нейронной сети и заново её учим (подробнее об этом можно почитать в книге Дэвида Криселя (David Kriesel) A Brief Introduction to Neural Networks). Чем больше релевантных данных подаётся на входные нейроны, тем релевантнее выходит и результат работы сети.

Что необходимо сделать прямо сейчас?

Что может ИИ в медицине?

Диагност и ассистент лечащего врача

Врачу бывает сложно верно диагностировать заболевание, особенно если у него не слишком много практики или конкретный случай далёк от его профессионального опыта. Тут на помощь может прийти искусственный интеллект, имеющий доступ к базам с тысячами и миллионами историй болезни (и другой упорядоченной информацией). С помощью алгоритмов машинного обучения он классифицирует конкретный кейс, быстро просканирует вышедшую за определённый интервал времени научную литературу по нужной теме, изучит имеющиеся в доступе похожие случаи и предложит план лечения. Более того, ИИ сможет обеспечить индивидуализированный подход, приняв во внимание сведения о генетических особенностях пациента, паттернах движения, собранных его носимыми устройствами, предыдущей истории болезней — всём анамнезе жизни. ИИ вероятно (по крайней мере, на текущем этапе развития технологий) — не заменит врача, но может стать — уже стал — полезным инструментом, помощником в деле диагностики и лечения.

Приведу некоторые примеры.

IBM Watson for Oncology. IBM Watson — суперкомпьютер, умеющий отвечать на вопросы, сформулированные на естественном языке (то есть не на языке программирования). У него есть доступ к различным источникам данных: энциклопедиям, базам научных статей, антологиям знаний. Благодаря огромным вычислительным мощностям, обработав источники, он выдаёт максимально точный ответ на заданный вопрос.

IBM Watson for Oncology — программа применения мощностей IBM Watson для определения оптимальной доказательной основанной на данных стратегии лечения рака. Перед запуском этой программы в Watson для обучения были загружены сотни тысяч медицинских документов, в том числе 25 тысяч историй болезни, более 300 медицинских журналов и более 200 учебников, всего около 15 млн страниц текста. В 2011 году было объявлено о совместном исследовательском проекте IBM и Nuance Communications , результатом которого должен был стать коммерческий продукт для клинического применения в области принятия врачебных решений. В подготовке к клинической практике суперкомпьютеру помогали исследователи-клиницисты из Колумбийского университета (Columbia University) и Университета Мэриленда в Балтиморе (University of Maryland, Baltimore).

С 2013 года IBM Watson используется в Мемориальном онкологическом центре им. Слоуна-Кеттеринга в Нью-Йорке (Memorial Sloan Kettering Cancer Center, MSK) для помощи в принятии управляющих решений (Utilization management) при лечении больных раком лёгких и уходе за ними. Разумеется, его база постоянно пополняется новыми историями болезни.

IBM Medical Sieve (проект в стадии разработки). Чтобы оценить результаты МРТ, рентген-снимков, кардиограмм, врачу в среднем нужно потратить значительно больше времени на изучение картинки, чем системе машинного обучения. При этом точность компьютерного анализа в среднем выше, что позволит выявить дефекты и образования, которые врач может и пропустить. Особенно под конец смены, когда медики устают и теряют концентрацию. Более того, за счёт уменьшения количества времени на распознавание и обработку данных, может быть обслужено больше пациентов.

NeuroLex.co. Люди, когда говорят, сообщают значение произносимого не только словами, но и интонацией, промежутками между словами, скоростью и громкостью речи. Из психиатрической практики известно, что психические расстройства обычно сопровождаются определёнными речевыми изменениями. Поэтому можно научить нейронные сети расставлять соответствия между речевыми паттернами и диагнозами (на основе уже имеющейся клинической практики), таким образом сделать процесс установления диагноза более быстрым и точным.

15 февраля этого года Human Diagnosis project был объявлен полуфиналистом конкурса Фонда Макартуров 100&Change. Всего полуфиналистов восемь. Победитель будет назван в сентябре и получит 100 млн долларов. Хочется верить, что если эти деньги попадут в руки Human Dx, они приблизят день, когда медицина в мире станет доступнее и эффективнее.

AiCure (iOS, Android) — нужно сфотографировать приём таблетки; приложение визуально распознает тип лекарства, определит время приёма и отправит эту информацию врачу. Задача приложения — обеспечить регулярность приёма лекарств.

Babylon Health (iOS, Android) — мобильное приложение, позволяющее из любой точки Земного шара, в любой день и любое время суток получить онлайн-консультацию британского или ирландского врача с врачебным стажем не менее 10 лет. На английском, разумеется. Вы спросите: при чём тут искусственный интеллект? При том, что перед консультацией можно пройти, здесь же, в приложении, нехитрый тест, а также загрузить параметры ежедневной активности, в т. ч. непосредственно с различных носимых устройств. Система проанализирует данные и выдаст вам предварительный диагноз, а врача порекомендует, уже опираясь на него. Если верить разработчикам, практика показывает, что предварительные диагнозы Babylon Health уже сейчас ставит не хуже опытного терапевта.

ИИ в научных разработках в области медицины

Помимо клинической практики, ИИ находит применение в проведении биомедицинских исследований. Например, система машинного обучения может использоваться для проверки совместимости лекарств или для анализа генетического кода (да для чего угодно, на самом деле — для любых задач, требующих глубокого обучения, поиска корреляций в больших данных, визуального и аудиального распознавания и т. п.).

Deep Genomics — это проект системы, которая позволит изучить, предсказывать и интерпретировать, как генетические вариации изменяют важные клеточные процессы, такие как транскрипция, сплайсинг и др. Изменение в этих процессах может вести к болезням, а соответственно знание причины болезни может сделать терапию более эффективной.

Барьеры

К сожалению, очень часто люди не готовы брать на вооружение новые технологии. Как и вокруг любой инновации, вокруг ИИ в медицине бытует множество как предрассудков, так и обоснованных опасений.

Боязнь восстания машин

Чиновники в правительствах часто тоже являются носителями вышеописанного стереотипа. Поэтому одной рукой подписывают инновационные программы и перспективные планы, другой же — законы и подзаконные акты, душащие всякую реальную инновацию в колыбели.

Утрата контроля над личными данными и неясное распределение ответственности за это

В случае ИИ в медицине (и не только в медицине) добавляется реальная проблема нарушения приватности ради эффективности.

И, в конце концов, становится непонятным: кто владелец медицинских данных — пациент, врач, клиника, вычислительный сервис или кто-то ещё? И кто, в какой мере может ими распоряжаться?

Google как преступник, медсестра и медицинский прибор

Проведённое расследование показало, что, хотя по закону 1998 года о персональных данных, вся информация, передаваемая больницей для каких-либо целей третьим лицам и организациям без информированного согласия пациента, должна быть зашифрована и анонимизирована или псевдоанонимизирована, меморандум, подписанный Free и Google, косвенно сообщает, что в данном случае ни шифроваться, ни анонимизироваться ничего не будет, так как информацию предполагается использоваться только для помощи пациентам. Также Google и Free ссылались на предполагаемое согласие, как в ситуациях, когда врач показывает историю болезни или результаты лабораторных исследований другому врачу или медсестре. Подразумевается, что такие ситуации само собой разумеются и получать для таких действий специальное информированное согласие пациента не нужно. Имелось в виду, что то, чем занимается DeepMind Health, сопоставимо с тем, что делают для больных врачи и медсёстры. Однако информационный уполномоченный заметил, что предполагаемое согласие применяется обычно в ситуациях, когда оба врача или врач и медсестра находятся под одной крышей. Если ж врач хочет показать историю болезни коллеге в другой клинике или дома, для этого уже требуется согласие пациента. Когда речь об огромных массивах данных — согласие каждого пациента. Иные возможности: либо чрезвычайная ситуация в области здравоохранения, когда персональные данные используются в национальных интересах, либо решение суда. Последнего у Google нет, а попытка представителей сторон, подписавших меморандум, оперируя статистикой смертности от заболеваний, на борьбу с которыми направлены производимые DeepMind вычисления, представить ситуацию как чрезвычайную не встречают понимания среди их оппонентов. В поисках решения Google и Royal Free пытались также представить дело таким образом, будто никакая информация никуда не передавалась, а была всего лишь загружена в новый медицинский прибор, каковым и является DeepMind Health. Но оппоненты и здесь нашли, к чему придраться: по закону, перед вводом в эксплуатацию любой медицинский прибор должен получить одобрение Medicines and Healthcare products Regulatory Agency (MHRA, британский регулятор в сфере здравоохранения). Однако ни фонд, ни Google такого одобрения не получали.

С точки зрения закона Google всюду неправ, но пока всё ограничивается публичными спорами: преследуются подобные нарушения лишь в том случае, когда их результатом становится совершение тяжкого преступления. Тогда нарушителю грозит штраф в размере 5000 фунтов стерлингов или тюремное заключение сроком 6 месяцев.

Отвечая на опасения защитников персональных данных, соучредитель DeepMind Мустафа Сулейман сказал в заявлении для Computer Weekly:

Киберпреступность и кибертерроризм

Самолечение и сокращение числа рабочих мест в медицине

Есть также целые регионы, жители которых уже сегодня массово предпочитают врачу поиск в Google. Если же им будет доступен искусственный интеллект, ставящий диагноз и предлагающий терапию, при рабочих местах там из медиков останутся разве что хирурги, стоматологи и процедурные сёстры. Не факт, что это пойдёт на пользу общему уровню здоровья, но — как убедить ходить к врачу человека, который и раньше ему не доверял, а теперь ещё и имеет доступ к машинной диагностике? И куда деваться тем медикам, которые останутся из-за ИИ без работы?

Пока не врачи, но уже рядом

Как сообщает The Guardian, 5 января сего года японская компания Fukoku Mutual Life Insurance, занимающаяся преимущественно медицинским страхованием, объявила об увольнении 34 сотрудников в связи с началом эксплуатации удалённого интерфейса когнитивной системы IBM Watson — Watson Explorer.

Fukoku Mutual Life Insurance полагает, что, благодаря ИИ, увеличит производительность на 30% и окупит вложения в него менее чем за два года, а также сэкономит в этом году более 100 миллионов иен на текущих расходах.

Watson Explorer понимает естественный язык, распознаёт символы и изображения и сможет читать десятки тысяч медицинских справок и учитывать продолжительность пребывания в больнице, медицинские истории и любые хирургические процедуры для расчёта страховых выплат. Причём будет делать всё это значительно быстрее и качественнее, чем уволенные 34 сотрудника. Последних, впрочем, всё это едва ли обрадует.

Гигантские массивы данных, в т. ч. персональных, всё равно, так или иначе, собираются и используются — в эпоху глобальных информационных сервисов с миллиардами пользователей иначе и быть не может, но легальность этого — под вопросом. Права собственности, права на использование открытых для ИИ персональных данных, а также вопросы разграничения ответственности при эксплуатации искусственного интеллекта в медицине требуют законодательного регулирования.

И тому, чтобы это регулирование происходило быстро, трезво, эффективно и с пользой для людей, есть несколько серьёзных препятствий.

Во-первых, это недостаточный уровень экспертизы, понимания законодателями и правительственными чиновниками, что собственно нужно сделать, так как отрасль новая и готовых кейсов попросту не существует. Придётся действовать методом проб и ошибок, а ошибки в деле здравоохранения особенно опасны, ведь идёт о жизни и здоровье людей.

Наконец, законодатели, как и простые люди, в какой-то степени находятся в плену стереотипов и страхов, начиная от страха перед реальными опасностями, тем же кибертерроризмом, тем возможным ростом безработицы среди медиков, и заканчивая элементарными неофобией и мракобесием.

Заключение

И в силах каждого — работать на первый сценарий и противостоять второму. Для этого:

1. Помогать организациям, разрабатывающим медицинские ИИ-системы, собирать данные, для этого использовать носимые устройства и упомянутые в этой статье приложения и подобные им.

2. Обращаться за помощью к уже существующим ИИ-системам при диагностировании, будь вы пациент или врач, показывать их своим лечащим врачам.

3. Формировать позитивное общественное мнение в отношении использования искусственного интеллекта в медицине, вести разъяснительную работу, помогать людям преодолевать фобии и стереотипы.

4. В странах, где законодатели реально зависят от избирателей, стараться инициировать принятие невраждебных к медицинскому ИИ законодательных актов, регулирующих неясные на сегодня вопросы (например, вопрос о приватности информации о состоянии здоровья, вопрос открытия для ИИ-систем историй болезни, вопрос разграничения ответственности в различных ситуациях, возникающих при использовании искусственного интеллекта в диагностике и лечении).

И если широкое общественное движение сформирует многомиллионный и постоянно растущий спрос, если люди массово поймут, что им это нужно, и начнут пользоваться и требовать, ситуация сама будет способствовать выработке социального консенсуса по вопросам, пока что ставящим в тупик, а за ним неминуемо подтянутся и законодательная база, и всенародное участие в сборе данных. И тогда, скорее всего, инвестиции, осуществляемые сейчас в ИИ в медицине, дадут желаемый результат.

Читайте также: