Системы поддержки принятия врачебных решений

Содержание

• Что такое система поддержки принятия врачебных решений?

• Задачи СППВР

• Диагностика

• Предиктивная аналитика

• Помощь в назначении и контроле лечения

• Мониторинг состояния пациентов

• Эффективность систем

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 лечения².

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 их⁴.

По мере поступления новых данных ИИ способен обучаться самостоятельно и повышать точность принятия решения³.

Задачи СППВР

• Справочно-информационная поддержка

Сервис снабжает специалиста актуальными клиническими рекомендациями и протоколами. Сведения о лекарственных препаратах помогают уточнить аспекты терапии⁵.

• 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 код⁶.

• Определение степени и тяжести заболевания

Алгоритм оценивает состояние пациента, используя классификацию в рамках машинного обучения. На выходе врач получает заключение о группе риска⁷.

• 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 диабете⁸, об инфекции в послеоперационный период⁹, о декомпенсации заболевания¹⁰.

• Ассистирование в диагностике

ИИ может проводить «консультацию» на основе входных данных: симптомов и жалоб пользователя. Система выдаёт диагноз, который служит ориентиром для врача¹¹. Другое направление — диагностическая визуализация. СППВР распознаёт медицинские изображения и выделяет подозрительные области².

• Оптимизация лечения

На основании данных ЭМК СППВР помогает подобрать правильное лечение: назначить оптимальную дозировку лекарств¹⁰, спрогнозировать длительность пребывания в стационаре¹² провести мониторинг терапии¹³.

• Достижение экономической эффективности

Внедрение ИИ помогает правильно расходовать ресурсы медицинской организации. Это достигается за счёт эффективного использования диагностического оборудования¹⁴ и электронного документооборота¹⁰.

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 сетчатки¹⁵.

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%¹⁵.

Российский сервис Care Mentor AI использует ИИ для повышения точности заключений врача-рентгенолога. Экспертная система анализирует результаты лучевых исследований, чтобы обнаружить признаки заболеваний органов грудной клетки¹⁶.

Сервис Care Mentor AI позволяет¹⁶:

• выявить поражение лёгочной ткани, наличие инородного тела или полости с уровнем жидкости;

• определить зоны патологических изменений;

• рассчитать размеры подозрительных образований;

• сформировать итоговое заключение.

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;

• Короткое ЭКГ: обработка результатов ЭКГ с отображением в режиме онлайн;

• Мобильное приложение AI Resp: исследует акустические характеристики при заболеваниях органов дыхания;

• Мобильное приложение AI Skin: определяет кожные высыпания по фотографии.

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 показатели¹⁰.

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 диагноза¹⁷.

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 соответственно¹⁷.

Помощь в назначении и контроле лечения

С информационной поддержкой СППВР врач может принимать обоснованные решения при выборе терапии⁵:

• 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 пациента¹⁸.

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 специалистов¹⁸.

Участники, чьи решения опирались на ИИ, показали лучшие результаты: 57,1% среди верно поставивших диагноз и 40,5% в случае правильного лечения¹⁸.

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 рекомендациям¹⁹.

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 сеансом²⁰.

Высокие индексы точности прогноза позволили авторам рассмотреть применение Oracle в медицине. Алгоритм может помочь врачу уже на первых сеансах психотерапии определить пациентов в группе риска²⁰.

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 признакам²⁰.

По данным авторов, созданная модель смогла выявить пациентов с высоким риском после хирургического вмешательства с чувствительностью и специфичностью, равными 76%²¹.

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 лечении^2,22-24.

На данном этапе можно выделить аспекты применения СППВР²⁵:

• 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.

Источники

1. С.М. Стиварос, А. Гледсон, Г. Ненадич и др. Системы поддержки принятия решений для клинической радиологической практики — к следующему поколению // Br J Radiol. 2010.

2. Рид Т. Саттон, Дэвид Пинкок, Дэниел К. Баумгарт и др. Обзор систем поддержки принятия клинических решений: преимущества, риски и стратегии успеха // npj Digital Medicine. 2020; 3(17). DOI: https://doi.org/10.1038/s41746-020-0221-y

3. Команда Expert.ai. Что такое машинное обучение? Определение. // Expert.ai. 2020. URL: https://www.expert.ai/blog/machine-learning-definition/ (дата обращения: 24.12.2021).

4. Что такое компьютерное зрение? [Электронный ресурс] // IBM. URL: https://www.ibm.com/topics/computer-vision/ (дата обращения: 24.12.2021).

5. Муслима Ифнин, Мохд Джулхайри Мохд Рани, Зурайда Абд Латиф и др. Дизайн, разработка и публикация мобильных приложений для оценки причинно-следственной связи, серьезности и предотвратимости побочных реакций на лекарства // JMIR Mhealth Uhealth. 2017;5(5):e78. DOI: https://dx.doi.org/10.2196/mhealth.6261

6. Кристофер М. Белл, Араш Джалали, Эдвард Менса. Инструмент поддержки принятия решений для использования анатомографа из МКБ-10 для устранения неточностей в кодировании при поступлении: комментарий // Online J Public Health Inform. 2013. DOI: https://doi.org/10.5210/ojphi.v5i2.4813

7. Гуанъяо Ву, Пей Ян, Юаньлян Се и др. Разработка системы поддержки принятия клинических решений для прогнозирования степени риска и сортировки пациентов с COVID-19 при госпитализации: международное многоцентровое исследование // Eur Respir J. 2020; 56(2): 2001104. DOI: https://doi.org/10.1183/13993003.01104-2020

8. Ашенафи Зебене Волдарегай, Эйрик Орсанд, Столе Вальдерхауг и др. Моделирование и прогнозирование динамики уровня глюкозы в крови на основе данных: приложения машинного обучения при диабете 1 типа // Artif Intell Med. 2019. DOI: https://doi.org/10.1016/j.artmed.2019.07.007

9. Тара Тунтанатхип, Сакчай Сае-Хенг, Такул Оирсакул и др. Приложения машинного обучения для прогнозирования инфекции области хирургического вмешательства при неврологических операциях // Neurosurg Focus. 2019. DOI: https://doi.org/10.3171/2019.5.FOCUS19241

10. Крис Джордано, Меган Бреннан, Басма Мохамед и др. Доступ к искусственному интеллекту для принятия клинических решений // Front. Digit. Health. 2021. DOI: https://doi.org/10.3389/fdgth.2021.645232

11. Майкл М. Сигал, Аланна К. Рам, Натан К. Халс и др. Опыт интеграции программного обеспечения поддержки принятия диагностических решений с электронными медицинскими картами: преимущества по сравнению с рисками обмена информацией // EGEMS (Wash DC). 2017; 5(1): 23. DOI: https://doi.org/10.5334/egems.244

12. Афанасиос Цукалас, Тимоти Альбертсон, Илиас Тагкопулос. От данных к оптимальному принятию решений: основанный на данных вероятностный подход к машинному обучению для поддержки принятия решений для пациентов с сепсисом // JMIR Med Inform 2015;3(1):e11. DOI: https://doi.org/10.2196/medinform.3445

13. Константинос К. Сионтис, Сяоси Яо, Джеймс П. Пирруччелло и др. Как машинное обучение повлияет на клиническое лечение мерцательной аритмии? // Circulation Research. 2020;127:155–169. DOI: https://doi.org/10.1161/CIRCRESAHA.120.316401

14. С Крейг Блэкмор, Роберт С. Мекленбург, Гэри С. Каплан. Эффективность поддержки принятия клинических решений в борьбе с ненадлежащей визуализацией // J Am Coll Radiol. 2011; 8(1): 19-25. DOI: https://doi.org/10.1016 / j.jacr.2010.07.009

15. Варун Гульшан, Лили Пэн, Марк Корма и др. Разработка и проверка алгоритма глубокого обучения для обнаружения диабетической ретинопатии на фотографиях глазного дна сетчатки // JAMA. 2016; 316(22): 2402-2410. DOI: https://doi.org/10.1001/jama.2016.17216

16. Care Mentor AI: [Электронный ресурс]. URL: https://carementor.ru/ (дата обращения: 26.12.2021).

17. Рафаэлла Массафра, Аньезе Латорре, Аннарита Фаницци и др. Система поддержки принятия клинических решений для прогнозирования рецидива инвазивного рака молочной железы: предварительные результаты // Front Oncol. 2021 Mar 11;11:576007. DOI: https://doi.org/10.3389/fonc.2021.576007

18. М. Нойгебауэр, М.Эберт, Р.Фогельманн. Система поддержки принятия клинических решений улучшает антибактериальную терапию при инфекции верхних мочевых путей в рандомизированном слепом исследовании // BMC Health Services Research. 2020; 20,185. DOI: https://doi.org/10.1186/s12913-020-5045-6.

19. ЭКФ — Электронный клинический фармаколог: [Электронный ресурс]. URL: https://www.ecp.umkb.com/ (дата обращения: 26.12.2021).

20. Клэр Боун, Мелани Симмондс-Бакли, Ричард Туэйтс и др. Динамическое прогнозирование результатов психологического лечения: разработка и проверка модели прогнозирования с использованием регулярно собираемых данных о симптомах // The Lancet. 2021. DOI: https://doi.org/10.1016/S2589-7500(21)00018-2

21. Кристин М. Кори, Седж Кашьяп, Элизабет Лоренци и др. Разработка и проверка моделей машинного обучения для выявления хирургических пациентов с высоким риском с использованием автоматически отобранных данных электронных медицинских карт (Pythia): ретроспективное исследование в одном центре // PLoS Med 15(11): e1002701. DOI: https://doi.org/10.1371/journal.pmed.1002701

22. Таку Харада, Тайдзю Миягами, Котаро Кунито и др. Системы поддержки принятия клинических решений для диагностики в первичной медико-санитарной помощи: обзор объема работ // Int J Environ Res Public Health. 2021; 18 (16): 8435. DOI: https://doi.org/10.3390/ijerph18168435

23. Купеева И.А., Разнатовский К.И., Раводин Р.А. и др. Оценка эффективности интеллектуальной системы поддержки принятия врачебных решений // Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2016; 2: 62-68. DOI: https://doi.org/10.21638/11701/spbu10.2016.206

24. Реброва О.Ю. Эффективность систем поддержки принятия врачебных решений: способы и результаты оценки // Клиническая и экспериментальная тиреодология. 2019; 15(4): 148-155. DOI: https://doi.org/10.14341/ket12377

25. Тамра Лисахт, Ханна Йифен Лим, Вики Ксафис и Ки Юан Нгиам. Принятие решений с помощью искусственного интеллекта в здравоохранении // Asian Bioethics Review. 2019; 11: 299-314. DOI: https://doi.org/10.1007 / s41649-019-00096-0