Искусственный интеллект в здравоохранении - Коллектив авторов
Первой в здравоохранении технологией ИИ с глубоким обучением в 2017 г. стало приложение CardioAI платформы Arteries, которое могло за считанные секунды анализировать магнитно-резонансные изображения сердца, предоставляя такую информацию, как фракция сердечного выброса. С тех пор приложение было расширено за счет включения изображений печени и легких, рентгеновских изображений органов грудной клетки и опорно-двигательного аппарата, а также неконтрастных изображений КТ головы.
В последние годы ИИ в медицине стремительно развивается. Сейчас технологии ИИ позволяют с легкостью и все возрастающей точностью решать такие задачи, как, например, оценка присутствия инородного тела или патологии на рентгенологическом снимке или ультразвуковом изображении, наличия раковых клеток в цитологическом материале, в генетических исследованиях и т. п.
Примеры областей применения в здравоохранении технологических решений на основе ИИ:
– цифровой помощник способствует оказанию медицинской помощи в течение установленных норм времени за счет постоянного мониторинга состояния пациента и оповещения медицинских работников;
– машинное обучение помогает прогнозировать течение патологического процесса с помощью анализа данных, влияющих на результаты лечения;
– глубокое обучение позволяет обрабатывать большое количество биомедицинских данных разных типов для уменьшения неопределенности при принятии клинических решений о лечении;
– обработка изображений позволяет повышать качество и интенсивность процесса, выявлять признаки заболевания;
– обработка естественных языков помогает интерпретировать записи электронной медицинской карты, извлекать и структурировать информацию.
Так, Сингапурский институт генома человека с 2017 г. работает над изучением генов добровольцев, предпринимая попытки глубокого машинного обучения с предварительным сбором и обработкой больших данных. Группа выявила 98,3 миллиона генетических вариантов, чем существенно пополнила имеющуюся базу. На основании обработанных данных предыдущих 15 лет был собран банк генетических данных основных этносов Сингапура для последующего использования в постановке диагнозов и прогнозировании заболеваний, проработке политики профилактики болезней и общественного здравоохранения.
Используя подобный алгоритм действий, в Великобритании разработали предиктивную модель, которая позволяет проводить скрининг большого количества пациентов и выявлять тех, кто находится в группе высокого риска идиопатической легочной гипертензии до появления симптомов. Системы ИИ широко используются в реаниматологии, изучается их эффективность.
В США научный медицинский центр Cleveland Clinic и Microsof с помощью алгоритмов платформы Azure анализируют данные о состоянии пациентов, собираемые приборами в отделениях реанимации и интенсивной терапии, и предсказывают риски развития критических ситуаций для каждого пациента.
Системы ИИ решают целый ряд проблем этой группы пациентов, в том числе предсказание риска развития сепсиса, что является сложной клинической проблемой. Так, в работе К. Мао (Qian Mao) и соавторов (2018), выполненной в клиниках США, получены статистически значимые данные о прогнозировании развития сепсиса. Работа основана на построении алгоритма InSight с выборкой данных из медицинской информационной системы, включающей 90 353 пациента. Алгоритм ИИ базируется на ретроспективных данных и применен в дальнейшем к проспективному анализу. Производится анализ клинических данных пациента: уровня артериального давления, частоты сердечных сокращений, частоты дыхания, насыщения крови кислородом и температуры тела, а оценка риска формируется на основе алгоритмического дерева решений. Проведено сравнение прогнозов разработанного алгоритма InSight и «золотого стандарта» с тремя распространенными клиническими системами оценки ухудшения состояния пациентов: MEWS (Modifed Early Warning Score), SIRS (Systemic Infammatory Response Syndrome), SOFA (Sequential Organ Failure Assessment). InSight превзошел эти классические системы при скрининге сепсиса, тяжелого сепсиса и септического шока. Оказалось, что построенная модель прогнозирует развитие сепсиса за 4 ч до его начала с высоким уровнем чувствительности 0,80 и достигает специфичности 0,95; 0,84 – для тяжелого сепсиса и 0,99 – для обнаружения септического шока. В стандартных схемах прогнозирования – 0,75; 0,72 и 0,84 соответственно [Mao et al., 2018]. Раннее выявление пациентов, склонных к тяжелому сепсису, может расширить окно для своевременного клинического вмешательства.
Система ИИ может оптимизировать процесс проведения лабораторных исследований. В исследовании, проведенном в Принстонском университете (США), проанализированы результаты лабораторных тестов, деидентифицированные данные о медицинской помощи в отделениях реанимации и интенсивной терапии по 58 тыс. случаев госпитализаций. Из базы данных сначала отбирали взрослых пациентов по крайней мере с одним зарегистрированным измерением для каждого из 20 жизненно важных показателей и лабораторных тестов, обычно назначаемых врачами (например, кислотно-основного состояния и газов крови). Далее данные о пациентах фильтровали по продолжительности их пребывания, учитывая только тех, кто находится в отделении реанимации и интенсивной терапии от 1 до 20 дней, и таким образом сформировали основную группу из 6060 наблюдений. Из 20 физиологических признаков определили восемь, которые более точно предсказывали начало тяжелого сепсиса, септического шока или острой почечной недостаточности, оценку SIRS (синдрома системного воспалительного ответа) и SOFA (последовательная оценка органной недостаточности): частоту дыхания в 1 мин, частоту сердечных сокращений в 1 мин, уровень артериального давления, температуру тела, уровень креатинина и мочевины в сыворотке крови, содержание лейкоцитов в крови, уровень лактата. Из этих признаков первые три являлись жизненно важными показателями, измеряемыми с помощью систем прикроватного мониторинга, которые регистрировались ежечасно. Последние четыре являлись лабораторными показателями, требующими инвазивного вмешательства, и обычно измерялись 2–3 раза в сутки. С учетом того, что частота их назначений варьировала в разных клиниках, разработан алгоритм, основанный на структуре многовыходового гауссовского процесса (MOGP – Multiple Output Gaussian Process) для получения ежечасных прогнозов состояния пациента с количественной неопределенностью по 17 из 20 клинических признаков (всего проанализировано более 800 тыс. шагов).
Для прогнозирования выбраны параметры, входящие в шкалу оценки тяжести состояния SOFA. Это мотивировалось тем, что на практике сепсис чаще распознается по сопутствующей органной недостаточности, чем по непосредственному выявлению самой инфекции. Прирост по SOFA двух баллов и более считался критическим показателем для развития сепсиса и являлся предиктором для лабораторного контроля. В разработанной математической модели учитывались не только рассчитанная тяжесть состояния и его динамика в зависимости от изменения предпринимаемой терапии или вмешательства, но и стоимость лабораторного теста. После того как был внедрен алгоритм ИИ в тестовой группе, сформированы следующие рекомендации по лабораторному контролю: основное внимание необходимо акцентировать на данных, получаемых с прикроватного оборудования (частота дыхания, частота сердечных сокращений и т. д.), так как их динамика позволяет раньше определить развитие критических инцидентов (показания к диализу, необходимость перевода на искусственную вентиляцию легких); лабораторный контроль основных показателей следует проводить не чаще одного раза в сутки, если нет прироста по SOFA › 2 баллов в течение 1 ч, и только в случае увеличения оценки по SOFA › 2 баллов в течение 1 ч необходимы контроль уровня лактата и дальнейшая
