Искусственный интеллект в здравоохранении - Коллектив авторов
В исследовании, проведенном на базе отделения реанимации и интенсивной терапии Бернской университетской клиники (Швейцария), принимающем более 6500 пациентов в год, оценен разработанный алгоритм ИИ с использованием машинного обучения, предупреждающий врачей об угрозе развития недостаточности кровообращения за 8 ч до предполагаемого неблагоприятного инцидента. Цель исследования состояла в том, чтобы оценить параметры гемодинамики, сосредоточив внимание на доле случаев недостаточности кровообращения, которые система способна обнаружить, и частоте ложных тревог. Точность модели определена как доля сигналов тревоги, которые правильно предсказывают наступление события (период недостаточности кровообращения) в течение последующих 8 ч. Для проспективной регистрации информации о состоянии здоровья пациента, измерения параметров функций органов, результатов лабораторных анализов и параметров лечения от поступления в отделение до выписки использовали данные 9040 пациентов. Для оценки эффективности прогнозирования использовали регистрацию клинических показателей состояния кровообращения. Из 175 получаемых от пациента параметров определены 17 основных, три опорных. Рассматривались характеристики пациента: возраст, тяжесть состояния по шкале APACHE, рост, пол и др. В процессе машинного обучения для разработки системы раннего предупреждения о недостаточности кровообращения на основе базы данных показателей интенсивной терапии высокого разрешения установили, что система ИИ предсказывала 90 % случаев развития недостаточности кровообращения, причем наступление 81,8 % случаев выявлялось более чем за 2 часа до инцидента [Lizotte, Laber, 2016].
Разработан и протестирован алгоритм ИИ на основе машинного обучения для предсказания трех наиболее характерных осложнений, возникающих после операций на открытом сердце: постоперационного кровотечения с необходимостью оперативной ревизии, почечной недостаточности с необходимостью заместительной почечной терапии, летального исхода. В качестве базовой модели использована рекуррентная нейронная сеть, обученная на данных 47 559 пациентов. Данные включали общие сведения о пациенте, информацию о проведенной операции, газовый состав артериальной крови и другие. Качество построенных моделей сравнивалось по базовым метрикам (точность, чувствительность, полнота и др.) с тремя основными шкалами, используемыми для оценки состояния пациентов:
– клиническое правило послеоперационного кровотечения (Clinical rule for postoperative bleeding, Bojar) – для случая кровотечения;
– упрощенная оценка острого физиологического состояния (Simplifed acute physiology score II, SAPS II) – для летальности;
– заболевание почек: улучшение глобальных результатов (Kidney disease: improving global outcomes, KDIGO) – для почечной недостаточности.
Во всех трех случаях качество прогнозов, даваемых алгоритмами ИИ, оказалось значительно выше. Так, доля правильных ответов возросла не меньше чем на 17 % [Meyer et al., 2018].
John Hopkins Hospital в партнерстве с GE Healthcare Partners создали командный центр госпиталя, который получает информацию о состоянии процессов во всех административных подразделениях, анализирует ее и определяет приоритетные задачи, а также позволяет заранее выявлять возможные риски и предлагать способы их избежать.
Современные системы ИИ решают проблемы медицинской сортировки. Наиболее известные решения для этих целей предлагает Enlitic. ИИ Enlitic Curie сканирует поступающих пациентов, обрабатывая множество клинических данных и определяя приоритет на лечение, после чего сразу же направляет больных к наиболее подходящему врачу-специалисту. Трудно переоценить пользу этих алгоритмов, исключающих из анализа человеческий фактор, ведь они, экономя время, самое драгоценное в ургентной медицине, а также человеческие ресурсы, могут помочь спасти много жизней.
Достижением американских ученых является также разработка микроскопа с ИИ. Такой микроскоп может самостоятельно распознавать патогенные бактерии в образцах крови. Принцип его работы скопирован с механизма функционирования зрительной коры млекопитающих. Перед запуском микроскоп обучают классифицировать бактерии на основе их формы и распределения.
Важное направление использования ИИ в медицине – робототехника. Наиболее перспективным считается не создание полноценных роботов-хирургов, а разработка и внедрение роботов-ассистентов, что позволяет снизить нагрузку на квалифицированных врачей-хирургов, увеличить точность рутинных манипуляций, в первую очередь в микрохирургии.
Перспективным направлением является также назначение лекарственной терапии. Один из подходов, параболическое персонализированное дозирование (PPD), основан на алгебраических уравнениях для связи фенотипа с концентрацией препаратов, например иммунодепрессантов при трансплантации. Путем исследования реакций пациента во время курса лечения по выведенному уравнению создается двумерная парабола, указывающая на следующую дозу, которую должен получить пациент. Данный подход позволяет усовершенствовать стандартное назначение лекарственных препаратов врачом.
Системы ИИ нашли широкое применение и в сфере ухода за пациентами. Например, компания Wellframe предоставляет мобильное приложение Medicare для сиделок и медсестер. Ряд клинических модулей, разработанных на основе доказательной медицины, позволяет специалистам по уходу за пациентами находить индивидуальный подход к каждому. При этом приложение существенно облегчает жизнь не только сиделкам, но и не выходящим из дома пациентам, которые могут пользоваться им самостоятельно. В функционал системы входят, например, напоминания о приеме лекарств, возможность оперативных консультаций с различными специалистами, подбор полезной медицинской литературы. Кроме того, ИИ может успешно участвовать в разработке лекарственных препаратов, в том числе вакцин. Ученые из Университета Флиндерса в Южной Австралии в 2019 г. представили вакцину от гриппа, которая считается первым в мире лекарственным препаратом для человека, полностью разработанным системой ИИ.
Проект Atomwise использует технологию глубокого обучения AtomNet для анализа тысяч молекул и прогнозирования их возможностей по блокированию механизма действия патогена, что позволит создавать новые эффективные лекарственные средства.
С началом пандемии новой коронавирусной инфекции (COVID-19) человечество столкнулось с вызовами и угрозами, на которые сразу откликнулись крупнейшие технологические компании. Подразделение Google DeepMind в 2020 г. разработало и представило AlphaFold – передовую систему, которая предсказывает трехмерную структуру белка на основе его генетической последовательности. В дальнейшем компанией были опубликованы предсказания структуры нескольких недостаточно изученных белков, связанных с SARS-CoV-2 – вирусом, вызывающим COVID-19, чтобы помочь исследовательскому сообществу лучше понять вирус. Хотя это достижение является лишь частью длительного процесса понимания болезней и разработки новых лекарственных препаратов, перепрофилирования существующих, оно должно помочь ускорить решение указанных задач[8]. Технологические гиганты Китая (Alibaba, Baidu, Tencent, Huawei, DiDi) в период пандемии начали активно использовать собственные разработки для диагностики COVID-19 и подбора вакцины.
Появились и другие способы борьбы с COVID-19, основанные на машинном обучении. Например, разработанные датской компанией UVD Robots устройства курсируют вокруг медицинских учреждений, распространяя ультрафиолетовый свет для дезинфекции помещений, зараженных вирусами или бактериями. Компания Shenzhen Micromulticopter в нескольких китайских городах запустила более 100 беспилотных летательных аппаратов, которые способны не только определять температуру, но и распылять дезинфицирующие средства и патрулировать общественные места. Таким образом, ИИ является одним из ключевым звеньев в борьбе с COVID-19.
Приведенные примеры свидетельствуют, что сфера здравоохранения является
