Научный журнал Научное обозрение. Медицинские науки ISSN 2500-0780 ПИ №ФС77-57452

Виды и технологии искусственного интеллекта

Диагностика и лечение заболеваний были в центре внимания ИИ по крайней мере с 1970-х годов, когда в Стэнфорде была разработана экспертная система MYCIN для диагностики бактериальных инфекций, передаваемых через кровь [8]. Эта и другие ранние системы, основанные на правилах, были перспективны для точной диагностики и лечения заболеваний, но не были приняты для клинической практики. Они были не намного лучше врачей-диагностов и были плохо интегрированы с рабочими процессами клиницистов и системами медицинской документации.

2. Lee S.I., Celik S., Logsdon B.A., Lundberg S.M., Martins T.J., Oehler V.G., Estey E.H., Miller C.P., Chien S., Dai J., Saxena A., Blau C.A., Becker P.S. A machine learning approach to integrate big data for precision medicine in acute myeloid leukemia. Nat. Commun.2018. V. 9. No. 1. DOI: 10.1038/s41467-017-02465-5.

Специалисты в области здравоохранения в настоящее время широко используют модели машинного обучения «здоровье населения» для прогнозирования групп населения, подверженных риску конкретных заболеваний [14], несчастных случаев [15], или для прогнозирования регоспитализации в стационар. Эти модели могут быть эффективны при прогнозировании, хотя иногда им не хватает всех соответствующих данных, которые могли бы добавить прогностические возможности, такие как, например, социально-экономический статус пациента.

ИИ будет играть важную роль в предложениях для медицины в будущем. В форме МО это основная способность, лежащая в основе развития прецизионной медицины, широко признанная крайне необходимым прогрессом в медицинском обслуживании. Хотя ранние усилия по предоставлению рекомендаций по диагностике и лечению оказались сложными, предполагается, что ИИ в конечном итоге овладеет и этой областью. Учитывая стремительное развитие ИИ для анализа изображений, представляется вероятным, что большинство рентгенологических и патологических изображений будут исследованы в какой-то момент машиной. Распознавание речи и текста уже используется для таких задач, как общение с пациентами и запись клинических заметок, и их использование будет увеличиваться.

В здравоохранении доминирующее применение ОЕЯ связано с созданием, пониманием и классификацией клинической документации и опубликованных исследований. Системы ОЕЯ могут анализировать неструктурированные клинические заметки о пациентах, готовить отчеты (например, о рентгенологических исследованиях), расшифровывать взаимодействие с пациентами и вести беседу с ИИ.

18. Berg S. Nudge theory’ explored to boost medication adherence | American Medical Association. American Medical Association, 2018. [Electronic resource]. URL: https://www.ama-assn.org/delivering-care/patient-support-advocacy/nudge-theory-explored-boost-medication-adherence (date of access: 15.09.2020).

Технологии машинного обучения

Во-первых, рентгенологи не только читают и интерпретируют изображения. Как и другие системы ИИ, радиологические системы ИИ выполняют отдельные задачи. Модели ГО в лабораториях и стартапах обучаются для конкретных задач распознавания изображений (таких как обнаружение узлов на компьютерной томографии грудной клетки или кровоизлияния на магнитно-резонансной томографии головного мозга). Тысячи таких узких задач обнаружения необходимы, чтобы полностью идентифицировать все потенциальные находки на медицинских изображениях, и только некоторые из них могут быть выполнены ИИ сегодня. Радиологи также консультируются с другими врачами по вопросам диагностики и лечения, лечат заболевания (например, проводят местную абляционную терапию) и выполняют управляемые изображениями медицинские вмешательства, такие как биопсия ракового образования и имплантация сосудистых стентов (интервенционная радиология), определяют технические параметры визуализационных исследований, которые должны быть выполнены (с учетом состояния пациента), соотносят результаты изображений с другими медицинскими записями и результатами тестов, обсуждают процедуры и результаты с пациентами и многие другие мероприятия.

Но даже в таких профессиях, как рентгенолог и патологоанатом, проникновение ИИ в эти области, вероятно, будет медленным. Несмотря на то что такие технологии, как ГО, проникают в способность диагностировать и классифицировать изображения, есть несколько причин, по которым, например, работа рентгенолога не исчезнет в ближайшее время [25].

Еще одной технологией ИИ, имеющей отношение к управлению претензиями и платежами, является МО, которое может быть использовано для вероятностного сопоставления данных в различных базах данных. Страховщики обязаны проверить, верны ли миллионные претензии. Надежная идентификация, анализ и исправление ошибок кодирования и неправильных утверждений экономят огромное количество времени, денег и усилий всем заинтересованным сторонам – медицинским страховщикам, правительствам и поставщикам услуг. Ошибочные претензии, выявленные с помощью сопоставления данных и аудита утверждений, имеют значительный финансовый потенциал.

Экспертные системы, основанные на наборах правил «если… то», были доминирующей технологией для ИИ в 1980-х годах и широко использовались в коммерческих целях в тот и более поздний периоды. В здравоохранении они широко использовались в системах «клинической поддержки принятия решений» в течение последних двух десятилетий [5] и до сих пор широко используются сегодня. Многие компании-производители электронных медицинских карт (ЭМК) предоставляют набор правил со своими системами сегодня.

Независимо от того, основаны ли они на правилах или алгоритмах, по своей природе рекомендации ИИ по диагностике и лечению иногда трудно встроить в клинические рабочие процессы и системы ЭМК. Такие проблемы интеграции, вероятно, были бо́льшим препятствием для широкого внедрения ИИ, чем любая неспособность обеспечить точные и эффективные рекомендации; и многие основанные на ИИ возможности диагностики и лечения технологических фирм являются автономными по своей природе или затрагивают только один аспект медицины. Некоторые поставщики ЭМК начали внедрять ограниченные функции ИИ (помимо поддержки клинических решений на основе правил) в свои предложения, но они находятся на ранних стадиях разработки. Провайдерам придется либо самим предпринимать существенные интеграционные проекты [16], либо ждать, пока поставщики ЭМК не добавят больше возможностей ИИ.

14. Shimabukuro D.W., Barton C.W., Feldman M.D., Mataraso S.J., Das R. Effect of a machine learning-based severe sepsis prediction algorithm on patient survival and hospital length of stay: a randomised clinical trial. BMJ Open Respir. Res. 2017. V. 4. No. 1. P. E000234. DOI: 10.1136/bmjresp-2017-000234.

Еще один растущий акцент в здравоохранении делается на эффективном проектировании «архитектуры выбора», чтобы стимулировать поведение пациентов предварительно, основываясь на реальных данных. С помощью информации, предоставляемой поставщиками систем ЭМК, биосенсоров, часов, смартфонов, разговорных интерфейсов и других инструментов, программное обеспечение может адаптировать рекомендации, сравнивая данные пациентов с другими эффективными путями лечения для аналогичных когорт. Рекомендации могут быть предоставлены поставщикам услуг, пациентам, медсестрам, специалистам кол-центра или координаторам оказания медицинской помощи.

Если более глубокое вовлечение пациентов приводит к лучшим результатам для здоровья, могут ли основанные на ИИ возможности быть эффективными в персонализации и контекстуализации медицинского обслуживания? Все большее внимание уделяется использованию механизмов МО и правил для тонкого управления вмешательствами в рамках континуума диагностики и лечения [18]. Сообщения, оповещения и релевантный, целевой контент, которые побуждают к действию в важные моменты, являются перспективной областью исследований.