Современные информационные технологии в здравоохранении

Искусственный интеллект в медицине привлекает внимание многих: от организаторов здравоохранения и инвесторов до учёных и врачей. Расскажем, что уже тестируется и применяется и с какими вызовами сталкивается информационная эволюция.

Компьютер в белом халате: чем полезно сотрудничество технологий и врача

Зачем нужны компьютерные технологии в медицине:

• Прогнозируют исход заболевания. Модели изучают клинические данные и предсказывают осложнения и смертность. Например, в случае обманчивого лёгкого начала COVID-19¹ или повышенного риска рака².

• Сохраняют время. ИИ помогает найти нужную информацию, используя электронную медицинскую карту³. Мобильные приложения для больниц сокращают время ожидания в очередях. Они задают вопросы и выстраивают маршрут до кабинета⁴.

• Экономят ресурсы здравоохранения. Ручной труд автоматизируется, поэтому врач успевает принять больше пациентов. ИИ отслеживает состояние пациента, сокращает число госпитализаций, повышает качество исследований⁵.

Информационные решения в медицине бывают виртуальными и физическими. Виртуальные — это электронные карты, нейронные сети, мобильные приложения. Физические представлены роботизированными системами⁶.

Как информационные технологии обретают интеллект

Машинное обучение (Machine Learning, ML) — ветвь искусственного интеллекта (ИИ), которая использует данные и алгоритмы, чтобы учиться решать задачи и повышать точность решений⁷.

Технология сочетает методы статистики и информатики. Данные обрабатываются вычислительными алгоритмами. Цель — найти ценные зависимости, чтобы поставить диагноз или подобрать лечение⁸. Есть два направления ML:

1. Обучение с учителем. Обучающая выборка — набор данных с метками, оставленными человеком для компьютера. Когда поступает новая информация, ИИ сравнивает её со своими знаниями и классифицирует⁹. Например, технология находит на рентгеновском снимке подозрительное образование и определяет его как узел в лёгких⁸.

2. Обучение без учителя. Машина не знает, какой должен быть прогнозируемый результат. Вместо этого она ищет скрытые закономерности в данных. Так проводят анализ заболеваний, у которых много причин и сложные механизмы⁸.

Для «общения» с человеком ИИ использует естественную обработку языка (Natural Language Processing, NLP). Информационная технология распознаёт устные или письменные сообщения, разбивая их на отдельные смысловые единицы — слова или предложения. NLP учится понимать контекст, например медицинские термины¹⁰.

Применение информационных технологий: ИИ в регистратуре, лаборатории, операционной

Современные компьютерные технологии используются в разных областях медицины. Например, в случае простуды помогут оценить рентгеновский снимок лёгких пациента, найти результаты анализов и выявить источник инфекции. Кратко расскажем, как проходит больничная практика искусственного интеллекта.

Электронные медицинские карты

Электронная медицинская карта (ЭМК) объединяет различную информацию о пациенте¹¹:

• демографические данные, например пол и возраст;

• формулировки диагнозов;

• лабораторные анализы;

• снимки КТ, МРТ;

• отметки о хирургических вмешательствах.

Цифровая альтернатива бумажной карты становится источником знаний для ИИ. Внедрение ЭМК — стратегическое направление, которое призвано¹²:

• создать систему, которая автоматизирует рутинный труд;

• предложить персональные схемы лечения;

• улучшить качество и безопасность медицинской помощи;

• разработать лекарства с использованием информационных технологий.

Сервис ЭМК Пневмония от СберМедИИ анализирует клинические данные пациентов, у которых выявлена пневмония. Система прогнозирует вероятность развития осложнений. На основе отчётов ЭМК Пневмонии лечащий врач выбирает дальнейшую тактику лечения.

При применении ЭМК соблюдают безопасность и конфиденциальность данных. Информация передаётся по защищённым каналам связи¹³.

Перспективы электронного документооборота в медицине не лишены «чёрных пятен». Учёные подчёркивают: важно органично встроить ЭМК между врачом и пациентом, сохранив общение как основу клинического мышления¹⁴.

В одном исследовании подсчитали, что врачи отделения скорой помощи 4000 раз кликнули мышью за 10-часовую смену. Чтобы внести клиническую информацию в компьютер, ушло 44% рабочего времени. Авторы считают, что одна из возможностей развития ЭМК — улучшенный ввод данных¹⁵.

Технологии в медицинской визуализации: ИИ просматривает снимки

Искусственный интеллект дал второе дыхание рентгенологической диагностике респираторных заболеваний. Что умеют информационные технологии¹⁶:

• вычислять объём и плотность лёгочной ткани;

• оценивать строение дыхательных путей;

• выявлять признаки острых и хронических заболеваний дыхательной системы;

• определять степень поражения при пневмонии COVID-19;

• обнаруживать узловые новообразования;

• изучать изменения в лёгких, сравнивая новый снимок со старым.

Сервис КТ грудной клетки снижает нагрузку на врача-рентгенолога. Он ускоряет выполнение рутинных задач: помогает обнаружить места поражения тканей легких, вычислить объём и степень поражения и сформировать предварительное описание исследования.

ИИ может использоваться и для ретроспективной диагностики. КТ грудной клетки анализирует архив КТ-снимков, собранных за время пандемии COVID-19. Как это происходит:

1. Алгоритм ищет признаки злокачественных новообразований, например узелки в легочной ткани.

2. Информация о подозрительных находках поступает в референсный центр MDDC или напрямую в региональный онкодиспансер.

3. Предварительное заключение ИИ рассматривает врач и верифицирует его.

Сервис внедрён в Нижегородском онкологическом диспансере. МИС больницы была напрямую подключена к платформе MDDC. Это позволило оперативно передавать и обрабатывать данные. Специалисты диспансера получили для верификации 125 томограмм легких, на которых ИИ выявил узловые новообразования.

Информационные технологии помогают снижать дозу облучения при лучевых исследованиях. ИИ проводит вычисления и подавляет шум на исходном снимке. Получается изображение более высокого качества. Компьютерная система более точно направляет рентгеновскую трубку. Правильное прицеливание помогает избежать малоинформативных снимков¹⁷.

ИИ анализирует КТ-снимки головного мозга, выявляя признаки инсульта. Сервис КТ головного мозга выделяет на изображениях области острого нарушения мозгового кровообращения. Дополнительно можно использовать алгоритм, который помогает оценить изменения по шкале ASPECTS.

Другое применение «второго зрения» в медицине — дерматология. Технологии анализируют¹⁸:

• фотографии кожи;

• дерматоскопические изображения;

• снимки, полученные под микроскопом.

Выявив подозрительный участок, компьютерный помощник классифицирует его. Выводы могут быть разные: от экземы или псориаза до злокачественных новообразований, например меланомы¹⁸.

Информационные технологии в скрининге пациентов

Диабетическая ретинопатия — осложнение сахарного диабета, которое поражает сетчатку глаза, так что кровеносные сосуды в ней повреждаются, что приводит к ухудшению зрения. Развитие заболевания может привести к слепоте, поэтому важно его контролировать¹⁹.

Информационные технологии нашли применение в скрининге диабетической ретинопатии. Примеры решений в медицине — RetmarkerDR (Португалия), EyeArt (США). Алгоритм проводит анализ фотографии глазного дна, предоставляя офтальмологу разную информацию²⁰:

• предполагает, есть ли патология;

• оценивает степень тяжести;

• выявляет микроаневризмы — расширенные участки капилляров;

• обнаруживает кровоизлияния в сетчатку;

• сравнивает с предыдущими фотографиями, оценивая динамику процесса.

Использование ИИ улучшает скрининг рака молочной железы. Машина проводит анализ цифровой маммограммы, находит подозрительную зону и ограничивает её рамкой. Далее алгоритм вычисляет вероятность того, что образование злокачественное²¹.

Примером может служить сервис Маммография от СберМедИИ. Алгоритм снижает нагрузку на врача: автоматически размечает снимки и оценивает изменения по шкале BI-RADS. Сервис повышает скорость и точность скрининга, помогая выявить патологию на ранней стадии.

Информационные технологии используются в кардиологии. Одна из сфер применения —скрининг сердечно-сосудистых заболеваний по записям ЭКГ. Нейронная сеть учится на электрокардиограммах, изученных врачами. Их можно загрузить с разных устройств²²:

• смарт-часов;

• имплантируемых ЭКГ-регистраторов;

• стетоскопа с искусственным интеллектом;

• мобильного ЭКГ-монитора.

MDDC Cardio от СберМедИИ — комплекс, объединяющий телекардиограф «Валента» и искусственный интеллект. Автоматическая расшифровка при помощи ИИ позволяет быстрее и точнее анализировать записи ЭКГ. Результат передаётся в ЭМК. Медицинский специалист может открыть предварительное заключение ИИ и верифицировать его.

Телекардиографами были оснащены станции скорой медицинской помощи и фельдшерско-акушерские пункты Нижегородской области. Всего к единой сети подключены 638 приборов. Сервис помог врачам выявить 6143 случая острого коронарного синдрома и инфаркта миокарда.

Кратко, как это работает²³:

1. Сигнал ЭКГ преобразуется в последовательность цифр.

2. Входные данные поступают в нейросеть.

3. На каждом промежуточном уровне она принимает решение.

4. На выходе получаем предварительное заключение.

Информационные технологии распознают нарушения сердечного ритма и изменения в работе отделов сердца — предсердий или желудочков. Помощь ИИ важна при диагностике жизнеугрожающих состояний, например бессимптомной фибрилляции предсердий²⁴.

Программное обеспечение устанавливают на мобильные устройства. Можно быстро провести скрининг, а данные передать по смартфону. Такой подход экономит ресурсы здравоохранения, а разработчики постоянно повышают точность результатов²⁴.

Зачем искусственный интеллект нужен в лаборатории

Инфекцию вызывает определённый патоген, например, бактерия или вирус. На ранних стадиях заболевания он может оставаться в тени, поэтому нет возможности назначить специфическую терапию. Требуются время и силы, чтобы идентифицировать возбудителя в лаборатории²⁵.

Информационные технологии помогают быстрее узнать, кто скрывается под маской, и выбрать подходящий препарат. ИИ анализирует изображения, полученные с цифрового микроскопа. Основная задача — классифицировать возбудителя по микробиологическим «уликам»²⁶:

• взаимодействию вирусных частиц с белками организма;

• изменению строения поражённых клеток;

• наличию и числу патогенов.

Алгоритмы проводят анализ последовательности генома таких возбудителей, как COVID-19 или вируса Эбола. Учёные быстрее понимают происхождение и структуру вируса, его роль в заболевании. Это ускоряет разработку вакцин и противовирусных препаратов²⁷.

В некоторых случаях, чтобы достоверно установить диагноз, берут биопсию. Полученный фрагмент ткани изучают под микроскопом. ИИ ищет изменения в клетках, их окружении, сосудах. Информационные технологии помогают различить доброкачественные и злокачественные заболевания, спрогнозировать развитие рака²⁸.

Использование технологий в хирургии

Актуальность ИИ в хирургии объясняется повышенной когнитивной нагрузкой на врача, которому нужно выполнять множество ручных манипуляций. Цель специальных систем — контролировать ход операции и помочь в нужный момент. Алгоритмы учат анализировать²⁹:

• предоперационные изображения, например, КТ-снимки;

• план оперативного вмешательства;

• показания медицинских приборов, например анестезиологического монитора;

• результаты исследований во время операции — эндоскопии или УЗИ.

Сфера требует экспертных знаний, поэтому обучающие данные аннотируют врачи²³. Система учится определять расположение опухоли, отбирать кандидатов на операцию, прогнозировать повреждение тканей³⁰.

Применение навигационных систем помогает хирургу различить поражённые и нормальные ткани. Технология объединяет изображения анатомических структур, например КТ-снимки. Алгоритм выводит на монитор трёхмерный вид органов и сосудов³¹.

В медицине пригодились роботы-помощники. В больницах появилась хирургическая система под названием da Vinci. Её разработала американская компания Intuitive Surgical. Хирург работает в паре с ИИ, чтобы проводить сложные операции с минимальным повреждением тканей.

Использование осуществляется через консоль: хирург удалённо управляет инструментами. «Конечности» робота двигаются, как человеческая рука, но предоставляют больший диапазон движений. Система создаёт 3D-изображения анатомических структур высокой чёткости³².

Что будет завтра: проблемы и перспективы развития будущего ИИ

Компьютеру, как и врачам, нужно учиться. Разработчики тщательно подбирают «учебник», чтобы ИИ принимал верные решения. Трудности при использовании данных, с которыми они сталкиваются³³:

• разнородность: данные поступают из разных источников и в разных форматах;

• ограниченность или недоступность: в случае редких заболеваний нужно много лет собирать информацию, чтобы получить достоверный результат;

• неадекватность: данные не всегда объективно отражают проблему.

Чтобы внедрить информационную систему в практическую медицину, нужно много времени. Разработанная модель проходит проверку и подтверждает свою эффективность в выбранной области. Затем новое решение постепенно встраивается в работу врача³⁴.

Применение технологий в здравоохранении может привести к предвзятым решениям. На данные влияют социологические и экономические факторы. Некоторые модели организованы по принципу «чёрного ящика»: трудно понять, как ИИ сделал вывод³⁵.

Информационная эволюция в медицине вдохновлена техникой, но главная роль принадлежит врачу. Он выступает активным пользователем. Врач учитывает заключения машины и принимает клинические решения.

Источники

1. Ko H, Chung H, Kang WS, Park C, Kim DW, Kim SE, Chung CR, Ko RE, Lee H, Seo JH, Choi TY, Jaimes R, Kim KW, Lee J. An Artificial Intelligence Model to Predict the Mortality of COVID-19 Patients at Hospital Admission Time Using Routine Blood Samples: Development and Validation of an Ensemble Model. J Med Internet Res. 2020 Dec 23;22(12):e25442. doi: 10.2196/25442. PMID: 33301414; PMCID: PMC7759509.

2. Yeh MC, Wang YH, Yang HC, Bai KJ, Wang HH, Li YJ. Artificial Intelligence-Based Prediction of Lung Cancer Risk Using Nonimaging Electronic Medical Records: Deep Learning Approach. J Med Internet Res. 2021 Aug 3;23(8):e26256. doi: 10.2196/26256. Erratum in: J Med Internet Res. 2021 Oct 15;23(10):e33519. PMID: 34342588; PMCID: PMC8371476.

3. Chi EA, Chi G, Tsui CT, Jiang Y, Jarr K, Kulkarni CV, Zhang M, Long J, Ng AY, Rajpurkar P, Sinha SR. Development and Validation of an Artificial Intelligence System to Optimize Clinician Review of Patient Records. JAMA Netw Open. 2021 Jul 1;4(7):e2117391. doi: 10.1001/jamanetworkopen.2021.17391. PMID: 34297075; PMCID: PMC8303101.

4. Li X, Tian D, Li W, Dong B, Wang H, Yuan J, Li B, Shi L, Lin X, Zhao L, Liu S. Artificial intelligence-assisted reduction in patients’ waiting time for outpatient process: a retrospective cohort study. BMC Health Serv Res. 2021 Mar 17;21(1):237. doi: 10.1186/s12913-021-06248-z. PMID: 33731096; PMCID: PMC7966905.

5. Социально-экономическое влияние ИИ на здравоохранение [Электронный ресурс]: Deloitte. URL: https://www.medtecheurope.org/wp-content/uploads/2020/10/mte-ai_impact-in-healthcare_oct2020_report.pdf. (дата обращения: 20.11.2022).

6. Amisha, Malik P, Pathania M, Rathaur VK. Overview of artificial intelligence in medicine. J Family Med Prim Care. 2019 Jul;8(7):2328-2331. doi: 10.4103/jfmpc.jfmpc_440_19. PMID: 31463251; PMCID: PMC6691444.

7. Что такое машинное обучение? [Электронный ресурс]: IBM. URL: https://www.ibm.com/cloud/learn/machine-learning. (дата обращения: 20.11.2022).

8. Deo RC. Machine Learning in Medicine. Circulation. 2015 Nov 17;132(20):1920-30. doi: 10.1161/CIRCULATIONAHA.115.001593. PMID: 26572668; PMCID: PMC5831252.

9. Что такое обучение с учителем? [Электронный ресурс]: IBM. URL: https://www.ibm.com/cloud/learn/supervised-learning. (дата обращения: 20.11.2022).

10. Spyns P. Natural language processing in medicine: an overview. Methods Inf Med. 1996 Dec;35(4-5):285-301. PMID: 9019092.

11. Lin WC, Chen JS, Chiang MF, Hribar MR. Applications of Artificial Intelligence to Electronic Health Record Data in Ophthalmology. Transl Vis Sci Technol. 2020 Feb 27;9(2):13. doi: 10.1167/tvst.9.2.13. PMID: 32704419; PMCID: PMC7347028.

12. Lee S, Kim HS. Prospect of Artificial Intelligence Based on Electronic Medical Record. J Lipid Atheroscler. 2021 Sep;10(3):282-290. doi: 10.12997/jla.2021.10.3.282. Epub 2021 Jul 13. PMID: 34621699; PMCID: PMC8473961.

13. Coorevits P, Sundgren M, Klein GO, Bahr A, Claerhout B, Daniel C, Dugas M, Dupont D, Schmidt A, Singleton P, De Moor G, Kalra D. Electronic health records: new opportunities for clinical research. J Intern Med. 2013 Dec;274(6):547-60. doi: 10.1111/joim.12119. Epub 2013 Oct 18. PMID: 23952476.

14. Honavar SG. Electronic medical records — The good, the bad and the ugly. Indian J Ophthalmol. 2020 Mar;68(3):417-418. doi: 10.4103/ijo.IJO_278_20. PMID: 32056991; PMCID: PMC7043175.

15. Hill RG Jr, Sears LM, Melanson SW. 4000 clicks: a productivity analysis of electronic medical records in a community hospital ED. Am J Emerg Med. 2013 Nov;31(11):1591-4. doi: 10.1016/j.ajem.2013.06.028. Epub 2013 Sep 21. PMID: 24060331.

16. Choudhury S, Chohan A, Dadhwal R, Vakil AP, Franco R, Taweesedt PT. Applications of artificial intelligence in common pulmonary diseases. Artif Intell Med Imaging 2022; 3(1): 1-7. URL: https://www.wjgnet.com/2644-3260/full/v3/i1/1.htm. DOI: https://dx.doi.org/10.35711/aimi.v3.i1.1

17. Seah J, Brady Z, Ewert K, Law M. Artificial intelligence in medical imaging: implications for patient radiation safety. Br J Radiol. 2021 Oct 1;94(1126):20210406. doi: 10.1259/bjr.20210406. Epub 2021 Jun 23. PMID: 33989035; PMCID: PMC9328044.

18. De A, Sarda A, Gupta S, Das S. Use of Artificial Intelligence in Dermatology. Indian J Dermatol. 2020 Sep-Oct;65(5):352-357. doi: 10.4103/ijd.IJD_418_20. PMID: 33165383; PMCID: PMC7640800.

19. Диабетическая ретинопатия [Электронный ресурс]: Mayo Clinic. URL: https://www.mayoclinic.org/diseases-conditions/diabetic-retinopathy/symptoms-causes/syc-20371611. (дата обращения: 20.11.2022).

20. Grzybowski A, Brona P, Lim G, Ruamviboonsuk P, Tan GSW, Abramoff M, Ting DSW. Artificial intelligence for diabetic retinopathy screening: a review. Eye (Lond). 2020 Mar;34(3):451-460. doi: 10.1038/s41433-019-0566-0. Epub 2019 Sep 5. Erratum in: Eye (Lond). 2019 Dec 10;: PMID: 31488886; PMCID: PMC7055592.

21. Marinovich ML, Wylie E, Lotter W, Pearce A, Carter SM, Lund H, Waddell A, Kim JG, Pereira GF, Lee CI, Zackrisson S, Brennan M, Houssami N. Artificial intelligence (AI) to enhance breast cancer screening: protocol for population-based cohort study of cancer detection. BMJ Open. 2022 Jan 3;12(1):e054005. doi: 10.1136/bmjopen-2021-054005. PMID: 34980622; PMCID: PMC8724814.

22. Siontis KC, Noseworthy PA, Attia ZI, Friedman PA. Artificial intelligence-enhanced electrocardiography in cardiovascular disease management. Nat Rev Cardiol. 2021 Jul;18(7):465-478. doi: 10.1038/s41569-020-00503-2. Epub 2021 Feb 1. PMID: 33526938; PMCID: PMC7848866.

23. Wu M, Lu Y, Yang W, Wong SY. A Study on Arrhythmia via ECG Signal Classification Using the Convolutional Neural Network. Front Comput Neurosci. 2021 Jan 5;14:564015. doi: 10.3389/fncom.2020.564015. PMID: 33469423; PMCID: PMC7813686.

24. Attia ZI, Harmon DM, Behr ER, Friedman PA. Application of artificial intelligence to the electrocardiogram. Eur Heart J. 2021 Dec 7;42(46):4717-4730. doi: 10.1093/eurheartj/ehab649. PMID: 34534279; PMCID: PMC8500024.

25. Kim G, Ahn D, Kang M, Park J, Ryu D, Jo Y, Song J, Ryu JS, Choi G, Chung HJ, Kim K, Chung DR, Yoo IY, Huh HJ, Min HS, Lee NY, Park Y. Rapid species identification of pathogenic bacteria from a minute quantity exploiting three-dimensional quantitative phase imaging and artificial neural network. Light Sci Appl. 2022 Jun 23;11(1):190. doi: 10.1038/s41377-022-00881-x. PMID: 35739098; PMCID: PMC9226356.

26. Yakimovich A. Machine Learning and Artificial Intelligence for the Prediction of Host-Pathogen Interactions: A Viral Case. Infect Drug Resist. 2021 Aug 20;14:3319-3326. doi: 10.2147/IDR.S292743. PMID: 34456575; PMCID: PMC8385421.

27. Ahmed I, Jeon G. Enabling Artificial Intelligence for Genome Sequence Analysis of COVID-19 and Alike Viruses. Interdiscip Sci. 2022 Jun;14(2):504-519. doi: 10.1007/s12539-021-00465-0. Epub 2021 Aug 6. PMID: 34357528; PMCID: PMC8342660.

28. Sandeman K, Blom S, Koponen V, Manninen A, Juhila J, Rannikko A, Ropponen T, Mirtti T. AI Model for Prostate Biopsies Predicts Cancer Survival. Diagnostics (Basel). 2022 Apr 20;12(5):1031. doi: 10.3390/diagnostics12051031. PMID: 35626187; PMCID: PMC9139241.

29. Bodenstedt S, Wagner M, Müller-Stich BP, Weitz J, Speidel S. Artificial Intelligence-Assisted Surgery: Potential and Challenges. Visc Med. 2020 Dec;36(6):450-455. doi: 10.1159/000511351. Epub 2020 Nov 4. PMID: 33447600; PMCID: PMC7768095.

30. Mofatteh M. Neurosurgery and artificial intelligence. AIMS Neurosci. 2021 Aug 6;8(4):477-495. doi: 10.3934/Neuroscience.2021025. PMID: 34877400; PMCID: PMC8611194.

31. Du C, Li J, Zhang B, Feng W, Zhang T, Li D. Intraoperative navigation system with a multi-modality fusion of 3D virtual model and laparoscopic real-time images in laparoscopic pancreatic surgery: a preclinical study. BMC Surg. 2022 Apr 11;22(1):139. doi: 10.1186/s12893-022-01585-0. PMID: 35410155; PMCID: PMC9004060.

32. О компании da Vinci Systems [Электронный ресурс]: Intuitive Surgical. URL: https://www.davincisurgery.com/da-vinci-systems/about-da-vinci-systems. (дата обращения: 20.11.2022).

33. Doyen S, Dadario NB. 12 Plagues of AI in Healthcare: A Practical Guide to Current Issues With Using Machine Learning in a Medical Context. Front Digit Health. 2022 May 3;4:765406. doi: 10.3389/fdgth.2022.765406. PMID: 35592460; PMCID: PMC9110785.

34. London AJ. Artificial intelligence in medicine: Overcoming or recapitulating structural challenges to improving patient care? Cell Rep Med. 2022 May 17;3(5):100622. doi: 10.1016/j.xcrm.2022.100622. Epub 2022 Apr 27. PMID: 35584620; PMCID: PMC9133460.

35. Jiang L, Wu Z, Xu X, Zhan Y, Jin X, Wang L, Qiu Y. Opportunities and challenges of artificial intelligence in the medical field: current application, emerging problems, and problem-solving strategies. J Int Med Res. 2021 Mar;49(3):3000605211000157. doi: 10.1177/03000605211000157. PMID: 33771068; PMCID: PMC8165857.