В своей практической деятельности врач сталкивается с большим количеством задач, которые требуют быстрого и точного реагирования. При постановке диагноза и лечении необходимо учесть:
- данные осмотра;
- индивидуальные особенности пациента;
- результаты лабораторных и инструментальных методов исследования.
Рутинные операции — оформление медицинской документации, мониторинг состояния пациентов, контроль за соблюдением назначений — создают дополнительную нагрузку на специалистов.
Ситуация осложняется появлением новых регламентов оказания медицинской помощи: клинических рекомендаций, стандартов и протоколов. У клиницистов не всегда есть возможность актуализировать свои знания. Это связано с возрастающим объёмом специализированной информации и её источников1.
При этом важно обеспечить своевременность и безопасность клинических мероприятий: вовремя обнаружить заболевание и начать правильное лечение. Частичная автоматизация лечебно-диагностического процесса и информационная поддержка специалиста — направления, которые призваны снизить нагрузку на врача.
Помощником врача при решении клинических задач может стать искусственный интеллект, реализованный в системе поддержки принятия врачебных решений (СППВР).
Что такое система поддержки принятия врачебных решений?
СППВР — компьютерная программа, которая обеспечивает врача клиническими данными и сведениями о пациенте и сопровождает при принятии решений. Оперативная информационная поддержка помогает выстроить правильную врачебную тактику. Клиническое мышление специалиста объединяется с искусственным интеллектом для повышения качества диагностики и лечения.
Искусственный интеллект в СППВР реализуется с помощью чёткой и нечёткой логики, методов машинного обучения, обработки естественного языка3. Компьютерное зрение и глубокое обучение помогают распознавать медицинские изображения и интерпретировать их.
По мере поступления новых данных ИИ способен обучаться самостоятельно и повышать точность принятия решения.
Задачи СППВР
- Справочно-информационная поддержка
Сервис снабжает специалиста актуальными клиническими рекомендациями и протоколами. Сведения о лекарственных препаратах помогают уточнить аспекты терапии.
- Помощь в оформлении медицинской документации
Система проводит сортировку и учёт электронных медицинских карт. Болезнь пациента кодируется по международной классификации болезней 10-го пересмотра (МКБ-10). При постановке диагноза врач выбирает соответствующий код.
- Определение степени и тяжести заболевания
Алгоритм оценивает состояние пациента, используя классификацию в рамках машинного обучения. На выходе врач получает заключение о группе риска.
- Генерация тревожных сигналов
СППВР способна выявить скрытые закономерности, которые может не заметить врач. Алгоритмы предупреждают о возможных осложнениях, например: о повышении уровня глюкозы при сахарном диабете, об инфекции в послеоперационный период, о декомпенсации заболевания.
- Ассистирование в диагностике
ИИ может проводить «консультацию» на основе входных данных: симптомов и жалоб пользователя. Система выдаёт диагноз, который служит ориентиром для врача. Другое направление — диагностическая визуализация. СППВР распознаёт медицинские изображения и выделяет подозрительные области.
- Оптимизация лечения
На основании данных ЭМК СППВР помогает подобрать правильное лечение: назначить оптимальную дозировку лекарств, спрогнозировать длительность пребывания в стационаре провести мониторинг терапии.
- Достижение экономической эффективности
Внедрение ИИ помогает правильно расходовать ресурсы медицинской организации. Это достигается за счёт эффективного использования диагностического оборудования и электронного документооборота.
Диагностика
Диагностика с помощью СППВР основана на органичном сочетании профессиональных навыков врачей и технических возможностей ИИ. Заключение ИИ имеет вероятностный характер и служит ориентиром для клинициста. Система автоматизирует рутинные процессы в медицине.
При поддержке Google разработан алгоритм автоматического обнаружения диабетической ретинопатии — поражения сетчатки глаза при сахарном диабете. В качестве обучающих данных использовалось 128 175 изображений сетчатки.
Наборы для проверки в клинических условиях включали 9963 и 1748 изображений соответственно. Офтальмологи оценивали качество изображения и наличие на нём патологии зрения. Их заключения сравнивались с решениями нейросети. По данным исследователей, чувствительность для наборов составила 97,5% и 96,1%.
В России командой СберМедИИ реализуется многокомпонентная система поддержки принятия врачебных решений:
- ТОП-3: анализирует данные первичного приёма пациента и выдаёт 3 наиболее вероятных диагноза по МКБ-10;
- КТ Инсульт: проводит на томограммах поиск областей с острым нарушением мозгового кровообращения;
- КТ Легких: анализ снимков органов грудной клетки (ОГК) направлен на поиск признаков вирусной пневмонии, в том числе природы COVID-19, и онкологических заболеваний. Сервис выделяет поражённые зоны и минимальные узелковые новообразования в лёгочной ткани;
- Маммография: выявляет подозрительные образования молочной железы.
Предиктивная аналитика
Для выбора лечения клиницисты оценивают тяжесть заболевания с присвоением определенной группы или категории. Ориентиром при этом служат общепринятые международные классификации.
Система поддержки принятия врачебных решений ускоряет выполнение этой задачи. Для этого ИИ использует входные данные о здоровье пациента: пол, возраст, перенесённые заболевания, симптомы, лабораторные показатели.
Исследователи Института рака Бари им. Иоанна Павла II в Италии опубликовали предварительные результаты по прогнозированию рецидива рака молочной железы. Они использовали модель на основе машинного обучения. Исходные данные — результаты обследования и лечения 256 пациентов научно-исследовательского центра. Оценивалась вероятность рецидива рака через 5 и 10 лет после постановки диагноза.
Итальянские учёные отмечают эффективность вспомогательного инструмента на основе ИИ: точность прогноза составила 77,5% и 80,39%, чувствительность 92,31% и 95,83% для 5 и 10 лет соответственно.
Помощь в назначении и контроле лечения
С информационной поддержкой СППВР врач может принимать обоснованные решения при выборе терапии:
- посмотреть рекомендуемые дозировки;
- уточнить возможные противопоказания и нежелательные взаимодействия лекарств;
- провести поиск более дешёвых аналогов;
- убедиться в правильности и безопасности назначенного лечения.
Немецкие учёные из Университетской клиники г. Мангейма сравнили решения 77 врачей и 89 студентов-медиков при использовании разных источников информации. Участников попросили назначить антибактериальную терапию при инфекции верхних мочевых путей. В помощь были предоставлены: доступ в интернет, справочники и СППВР. Система давала пользователю рекомендации с учётом индивидуальных особенностей пациента.
Авторы отмечают, что только 27,1% участников правильно диагностировали заболевание. Назначить лечение в соответствии со стандартами смогли только 19,4% испытуемых. Это свидетельствует о необходимости информационной поддержки медицинских специалистов.
Участники, чьи решения опирались на ИИ, показали лучшие результаты: 57,1% среди верно поставивших диагноз и 40,5% в случае правильного лечения.
В России реализуются сервисы для повышения качества фармакотерапии. Система «Электронный клинический фармаколог» обеспечивает врачу доступ к актуальным сведениям о лекарственных препаратах: справочнику Государственного реестра лекарственных средств (ГРЛС) и клиническим рекомендациям.
Мониторинг состояния пациентов
СППВР позволяет оценивать количественные и качественные показатели здоровья пациентов в динамике. Благодаря ИИ внимание врача концентрируется на каждой стадии заболевания. Контроль индивидуальных характеристик направлен на своевременную коррекцию лечебно-диагностических мероприятий.
Публикация британских исследователей в The Lancet описывает модель, которая проводит мониторинг состояния пациентов. Алгоритм Oracle прогнозирует результаты психотерапии. Для этого он:
- опирается на данные анкетирования пациентов;
- оценивает симптомы депрессии и тревожности на каждом сеансе психотерапии;
- обновляет прогнозы модели с каждым новым сеансом.
Высокие индексы точности прогноза позволили авторам рассмотреть применение Oracle в медицине. Алгоритм может помочь врачу уже на первых сеансах психотерапии определить пациентов в группе риска.
Американские исследователи из университета Дьюка в Северной Каролине разработали модели машинного обучения для оценки послеоперационного риска — возникновения осложнений и смертности. Алгоритмы обрабатывали большой массив клинических и хирургических данных пациентов. Анализ проводился для 37 миллионов клинических случаев по 194 признакам.
По данным авторов, созданная модель смогла выявить пациентов с высоким риском после хирургического вмешательства с чувствительностью и специфичностью, равными 76%.
Эффективность систем
Отечественные и зарубежные обзоры исследований указывают на активное развитие интеллектуальных систем. Эффективность применения ИИ находится в процессе изучения. Но уже сейчас технологические решения дают первые положительные результаты в диагностике и лечении2,22-24.
На данном этапе можно выделить аспекты применения СППВР:
- Высокий уровень компьютерной грамотности. Знание основ биоинформатики поможет врачу использовать все преимущества медицинских технологий.
- Прозрачность решений. Методы обработки больших объёмом данных не всегда понятны пользователю. Клиницисту важно знать общие принципы работы технологии: как ИИ пришёл к тому или иному выводу, какие рабочие характеристики и границы применения системы.
- Этичность. Алгоритмическая предвзятость может сделать решение не с учётом особенностей пациента, а с опорой на математически вычисленную пользу. Врач следует принципу «не навреди», заботясь о каждой человеческой жизни. Специалист учитывает жизненную ситуацию пациента и его предпочтения в выборе лечения.
СППВР становится высокоразвитым помощником в медицине, но ключевая роль остаётся у человека. Благодаря технологиям врач сохраняет время для своего пациента. Уделить внимание личной беседе, построить доверительные отношения, стать партнёрами в борьбе с болезнью — залог успешного лечения.