EN | RU
EN | RU

Поддержка Медзнат

Назад

Потенциальная роль искусственного интеллекта в сфере здравоохранения: возможности применения во время пандемии COVID-19

Потенциальная роль искусственного интеллекта в сфере здравоохранения: возможности применения во время пандемии COVID-19 Потенциальная роль искусственного интеллекта в сфере здравоохранения: возможности применения во время пандемии COVID-19
Потенциальная роль искусственного интеллекта в сфере здравоохранения: возможности применения во время пандемии COVID-19 Потенциальная роль искусственного интеллекта в сфере здравоохранения: возможности применения во время пандемии COVID-19

Технологии в сфере здравоохранении развиваются быстрыми темпами, а сама отрасль переживает значительные изменения. Быстрые темпы технического прогресса в корне изменили традиционные условия работы медицинского сообщества, представители которого разочарованы и не удовлетворены ситуацией в краткосрочной перспективе. Кризис выгорания медицинских работников стал серьезной проблемой для отрасли здравоохранения. Медицинские работники испытывают сильное разочарование и утрачивают возможность профессиональной реализации [1].


Кроме того, все еще продолжается борьба с возбудителями заболеваний, которые сопровождают человечество с самого начало его истории развития, таких как туберкулез, а также возбудителями новых заболеваний, промежуточными хозяевами которых не является человек, но которые представляют серьезную угрозу здоровью всего человечества. За последние десять лет человечество столкнулось и с появлением новых вирусных инфекций, которые потенциально способны распространиться через международные границы и вызвать глобальный хаос. Последняя из подобных инфекций — новый коронавирус (COVID-19) [2, 3].

Существует насущная потребность в снижении уровней выгорания врачей, которые крайне высоки по всему миру, и разработке ответственных решений, основанных на имеющихся данных, которые в долгосрочной перспективе помогут нам преодолеть нынешний, все более ухудшающийся гуманитарный кризис. Сегодня доступны бесконечные возможности для внедрения технологий в сферу здравоохранения. Они помогут разработать более точные, практичные и эффективные методы ухода за пациентами и лечения как хронических заболеваний и рака, так и COVID-19. Развитие новейших инструментов и средств, основанных на машинном обучении, предоставило новые способы борьбы с подобными хроническими заболеваниями и глобальными пандемиями [1–3].

Что такое искусственный интеллект (ИИ)?

Искусственный интеллект представляет собой компьютерную систему, способную выполнять задачи, которые обычно требуют участия человеческого интеллекта. Установлено, что ИИ является потенциальным фактором улучшения ухода за пациентами. Искусственный интеллект также можно определить как совокупность технологий и принципов, которые воспроизводят процессы, связанные с человеческим интеллектом: обучение, адаптация, сенсорное восприятие и взаимодействие. Развитие методов аналитической обработки данных и повышение доступности медицинской информации способствует началу успешного применения ИИ в здравоохранении и медицине.


Инструменты искусственного интеллекта, основанные на соответствующих клинических вопросах, могут помочь отобрать клинически значимую информацию из большего количества данных, что в дальнейшем облегчит процесс принятия решений или даже приведет к полной замене человека алгоритмом в определенных функциональных областях здравоохранения. Подобные инструменты могут быть использованы для улучшения организации рабочего процесса врачей, снижая уровень выгорания и нагрузки [4].

ПОСЛЕДСТВИЯ ВНЕДРЕНИЯ ИИ В ЗДРАВООХРАНЕНИИ И МЕДИЦИНЕ

1) Снижение нагрузки по ведению электронного медицинского архива (ЭМА)

Электронный медицинский архив (ЭМА) играет очень важную роль в системе здравоохранения, однако использование данной системы связано с такими проблемами, как выгорание медицинского персонала и бесконечная работа с документацией. 


ИИ можно применять для автоматизации некоторых рутинных процессов, отнимающих много времени у пользователя подобных систем. Искусственный интеллект также может помочь в обработке рутинных запросов из входящих сообщений и планировании задач, которые требуют неотложного внимания врача. Распознавание голоса и функция диктовки могут улучшить процесс ведения клинической документации.

2) Более точные методы анализа для лабораторных исследований и постановки диагноза

Специалисты по лабораторной диагностике предоставляют важные диагностические данные поставщикам медицинских услуг. Большая часть решений в области здравоохранения основаны на результатах лабораторных исследований. Следовательно, повышение точности подобных исследований увеличит эффективность диагностики.


Цифровая обработка результатов лабораторных исследований и анализ с помощью искусственного интеллекта могут помочь улучшить разрешение очень больших цифровых изображений, позволяя специалистам по лабораторной диагностике выявлять нюансы, которые могут ускользнуть от человеческого глаза. ИИ также может повысить производительность за счет определения интересующих особенностей на слайдах, тем самым повышая эффективность работы и сокращая время, необходимое для диагностики каждого пациента.

3) Трансформация медицинских данных в рабочие рекомендации

Данные, введенные в электронный медицинский архив (ЭМА), должны пройти значительную обработку. Компьютеры и ИИ помогают обнаружить закономерности в данных и определить, какие данные влияют на результаты. Подобные технологии позволяют организациям здравоохранения составлять краткие и содержательные отчеты по пациентам и создавать новую информацию в режиме реального времени. 


ИИ-технологии помогают расшифровывать такую информацию и оценивать ее важность для принятия решений. На основании информации, полученной в ходе беседы, искусственный интеллект также может дать новые рекомендации и выявить потенциальные пробелы в лечении и дифференциальной диагностике.

4) Медицинские изделия становятся еще «умнее»

«Умные» устройства чрезвычайно важны для наблюдения за пациентами в отделении реанимации и интенсивной терапии (ОРИТ). Оценка осложнений и риска развития сепсиса может значительно улучшить результаты лечения и снизить расходы на здравоохранение.


Искусственный интеллект способен объединять разрозненные данные из всех областей системы здравоохранения, и повышать способность к выявлению осложнений — задача, с которой человек справляется не столь хорошо. Кроме того, внедрение интеллектуальных алгоритмов в медицинские изделия позволит обеспечить более быстрое снижение когнитивной нагрузки на врачей.

5) Превращение смартфонов в мощный инструмент диагностики

Эксперты считают, что визуализация с помощью смартфонов станет важным дополнением к качественной клинической диагностической визуализации. Изображения все более высокого качества, полученные при помощи смартфона, можно анализировать с помощью ИИ-алгоритмов.


Изображения глаз, проявлений инфекций, ран, лекарственных препаратов или иных предметов, выполненные с помощью смартфона, могут помочь быстро решить проблему нехватки специалистов во многих областях. Данное направление уже используют в дерматологии и офтальмологии.

6) Улучшение процесса разработки лекарственных препаратов и его ускорение

Разработка лекарственного препарата является сложным, трудоемким и дорогостоящим процессом. Процессы разработки препаратов можно улучшить с помощью алгоритмов машинного обучения и инструментов искусственного интеллекта. Применение таких алгоритмов и инструментов может помочь при анализе имеющихся данных для определения потенциальных молекул-мишеней. После идентификации миллионы потенциальных молекул-мишеней могут быть отфильтрованы, чтобы выбрать наиболее подходящую и отвечающую всем требованиям молекулу в зависимости от структурного следа и неблагоприятных исходов.


Подобные технологии также позволят ускорить процесс разработки лекарственных препаратов и проведения клинических испытаний: с помощью алгоритмов автоматического машинного обучения мы сможем отбирать соответствующие терапевтические молекулы из библиотеки молекул. Применение таких инструментов позволит предупредить проведение клинических испытаний, которые не дают убедительных результатов, что позволит исследователям вмешаться раньше, а значит — сэкономить время и деньги при разработке лекарственных препаратов.  Технологии ИИ могут помочь в процессе идентификации потенциальных биомаркеров, которые позволяют более точно диагностировать заболевания по сравнению со сложными процедурами, такими как секвенирование всего генома.

7) Определение инструментов установления очередности оказания медицинской помощи в чрезвычайных ситуациях

Чрезвычайно важно правильно определять тяжесть состояния пациента для раннего выявления уязвимых групп и групп высокого риска, особенно в отделениях неотложной помощи.


Онлайн-инструменты установления очередности оказания медицинской помощи, разработанные и испытанные с помощью ИИ-алгоритмов на основе технологий глубокого обучения, могут помочь в точном прогнозировании предоставления неотложной помощи пациентам. Подобные инструменты обладают более высокой точностью по сравнению с традиционными инструментами установления очередности оказания медицинской помощи. Технология на основе ИИ может упростить сортировку пациентов по приоритету оказания медицинской помощи еще до того, как пациент прибудет в место оказания помощи.

8) Улучшение технологий редактирования генома

Широкое применение системы редактирования генома с использованием кластеризованных регулярных промежуточных коротких палиндромных повторов (CRISPR), в частности системы CRISPR-Cas9, является значительным шагом вперед в редактировании ДНК и обладает высокой эффективностью и точностью. Подобный подход к редактированию генома основан на технологии нацеливания на геномные локусы и их редактировании при помощи коротких направляющих РНК (sgRNA). Короткие направляющие РНК (sgRNA) могут располагаться в нескольких местах и вызывать непреднамеренные нежелательные явления. 

Тщательный отбор sgRNA с наименьшим число нежелательных явлений имеет первостепенное значение при применении технологии CRISPR-CAS. Алгоритмы машинного обучения и технологии глубокого обучения могут помочь обеспечить наилучшие результаты при прогнозировании как взаимодействий «направляющая – цель РНК», так и ненаправленного действия для конкретных sgRNA. Подобные алгоритмы могут ускорить процесс развития sgRNA для разных сегментов ДНК человека [5].

ПРЕИМУЩЕСТВА ПРИМЕНЕНИЯ ИИ В УСЛОВИЯХ ПАНДЕМИИ COVID-19

1) Помогает обнаруживать вспышки заболевания

  • Машинное обучение, аналитика и обработка текстов на естественном языке (NLP) применяются в бионаблюдении. Мониторинг социальных сетей, новостных сообщений и иных данных в Интернете может оказаться полезным при локализации вспышек заболеваний до того, как они достигнут уровня пандемии.
  • В прошлом для обнаружения вспышек заболевания успешно применялись изображения, полученные с искусственного спутника Земли (ИСЗ), и анализ больших данных.
  • Анализ тональности высказываний может помочь определить реакцию (обычную или чрезмерную) широкой общественности на вспышки заболеваний и, следовательно, дать властям ценную информацию о том, в каком направлении необходимо направить усилия по просвещению населения.

Пример: канадская компания «Блу Дот» (Blue Dot) успешно применила алгоритмы машинного обучения для обнаружения первых вспышек COVID-19 в г. Ухань (Китай) в конце декабря 2019 года.

2) Предсказывает вспышки инфекции

  • Динамические, статистические и математические модели применяли для прогнозирования распространения и масштабов инфекционных заболеваний.
  • Традиционные модели прогнозирования позволяют повторно оценить ситуацию в соответствии с тенденциями, способны к адаптивному обучению, обладают достаточным объемом и гибкостью для улучшения возможностей прогнозирования.
  • Подобные модели помогают лучше понять процесс распространения заболевания и оценить влияние вмешательств (например, социального дистанцирования) на предотвращение распространения инфекции.

Пример: в настоящее время метод моделирования SEIR («восприимчивые — контактные — инфицированные — выздоровевшие») используется для прогнозирования областей и масштабов распространения COVID-19. Использование модели позволяет оценить такие показатели эпидемии, как занижение числа случаев заболевания, эффективность вмешательств и точность методов тестирования.

3) Помогает формулировать стратегию профилактики и способствует разработке вакцины

  • Искусственные нейронные сети (ИНС) применяли для обнаружения антигенных участков с высокой плотностью связывающих веществ в белке мембраны коронавируса тяжелого острого респираторного синдрома (SARS–CoV).
  • Инструменты машинного обучения помогают провести быстрое сканирование всего протеома вируса, что позволяет сделать процесс разработки вакцины более быстрым и дешевым.
  • Инструменты машинного обучения могут быть использованы для того, чтобы определять хозяев вновь обнаруженного вируса на основе последовательности нуклеопротеина и анализа шиповидных отростков.
  • Применение подобных технологий полезно для отслеживания происхождения вирусов, особенно при работе с большими объемами данных, когда проведение сравнительного анализа сложно или времязатратно.

Пример: прогнозирование будущего расширения подтипов гемагглютинина (НА) стало возможным благодаря обучению алгоритмов на H3N2 и тестированию на H1N1 с использованием реконструированного филогенетического дерева на определенном временном отрезке.

4) Полезен для раннего выявления и отслеживания случаев заболевания

  • Инструменты машинного обучения можно использовать для сбора, анализа больших объемов данных, стратификации пациентов по степени риска и предложения возможных вариантов лечения.
  • Карантинные меры, раннее выявление случаев заболевания и предотвращение контактов с населением в группе риска являются важными элементами управления эпидемией, подобной COVID-19.
  • Опросы с использованием мобильных телефонов можно применять для раннего выявления случаев инфицирования в группах населения, помещенных в карантин.
  • Цифровое фенотипирование представляет собой новый метод сбора активных и пассивных данных со смартфона для разработки индивидуального фенотипа пациента.

Пример: правительство Индии недавно запустило мобильное приложение Aarogya Setu, которое позволяет отслеживать контакты пользователей с потенциально инфицированными COVID-19 пациентами, используя функцию Bluetooth для сканирования окружающей местности для поиска других пользователей смартфонов.

«КОВИД-Нет» (COVID-Net), система на основе сверточной нейронной сети (CNN) и технологий глубокого обучения, может применяться для обнаружения случаев COVID-19 по КТ-снимкам и рентгенографии. 

5) Повышает точность прогнозов

  • Алгоритмы машинного обучения активно используются для прогнозирования результатов лечения пациентов, инфицированных коронавирусом ближневосточного респираторного синдрома (MERS Co-V).
  • Основными прогностическими факторами при выздоровлении пациентов являются возраст, тяжесть заболевания и наличие ранее существовавших сопутствующих заболеваний.
  • Радиомические модели изучения КТ-снимков на основе машинного обучения продемонстрировали потенциал практического применения и точность прогнозирования пребывания в больнице пациентов с COVID-19.

Пример: контролируемый классификатор на основе XGBoost представляет собой простой и интуитивно понятный клинический тест для точной и быстрой количественной оценки риска смертельного исхода. 

6) Помогает разрабатывать подходы к лечению

  • Использование инструментов машинного обучения при разработке лекарственных препаратов позволяет интерпретировать значительный массив данных о профиле экспрессии генов, чтобы предложить новые варианты использования доступных в настоящее время лекарственных препаратов.
  • Модели глубокого обучения, которые также называют искусственным воображением, могут помочь в разработке новых лекарственных препаратов для достижения желаемых результатов. Подобные решения позволят сократить время и стоимость разработки лекарственных препаратов, улучшить процесс диагностики и разработать новые препараты.

Пример: состязательные автокодировщики используют для разграничивания стиля и содержания изображений, неконтролируемой кластеризации, сокращения размерности и визуализации данных.

Ниже приведен пример модели машинного обучения, разработанной для борьбы с пандемией COVID-19. Данная модель помогает в выявлении вспышек заболевания, создании моделей прогнозирования распространения заболевания, профилактике и разработке вакцин, раннем выявлении и отслеживании случаев заболевания, прогнозировании результатов лечения пациентов с данным заболеванием и разработке лекарств (рисунок 2) [6, 7].


ПРЕИМУЩЕСТВА ПРИМЕНЕНИЯ ИИ В ЗДРАВООХРАНЕНИИ

Основные преимущества применения ИИ для улучшения результатов в сфере здравоохранения заключаются в следующем.

  1. Повышение качества оказания медицинской помощи за счет достижения лучшего ответа по сравнению с человеческим интеллектом.
  2. Увеличение клинической продуктивности благодаря обработке больших объемов данных с большей эффективностью для прогнозирования результатов лечения пациентов.
  3. Улучшение процесса принятия решений с помощью анализа истории болезни пациента, симптомов и структуры данных, а не предоставление медицинской помощи на основе предположений и прогнозов.
  4. Обеспечение более высокого уровня точности с минимальным риском без выгорания медицинских работников.
  5. Предоставление качественной медицинской помощи и лекарственых препаратов, точно отвечающих потребностям пациента за счет улучшения качества личных и онлайн-консультаций, диагностики и схем лечения.
  6. Расширение доступа к медицинской помощи в регионах с недостаточными ресурсами и развивающихся регионах благодаря сглаживанию последствий нехватки квалифицированного клинического персонала и обученных медицинских работников.
  7. Снижение уровня смертности благодаря раннему выявлению опасных заболеваний и эффективному лечению.
  8. Улучшение стоимости и результатов работы системы здравоохранения с помощью интеграции информации, сокращения времени на осуществление управленческих функций и снижение числа посещений больницы.

ВОЗМОЖНЫЕ СЛОЖНОСТИ ПРИ ИСПОЛЬЗОВАНИИ ИИ 


ОСНОВНЫЕ ПРОБЛЕМЫ И БАРЬЕРЫ НА ПУТИ ПРИМЕНЕНИЯ ИИ

На настоящий момент сообщалось о нескольких случаях успешного применения ИИ в области здравоохранения, однако разработчики ИИ продолжают сталкиваться с серьезными проблемами. Подобная ситуация пока не позволяет широко использовать ИИ-технологии в медицине. К этим проблемам относятся:


Чтобы алгоритмы ИИ могли стать обычной частью медицинской практики в будущем, необходимо постоянно прикладывать усилия для решения вышеуказанных проблем [8].

ВЫДАЮЩИЕСЯ ДОСТИЖЕНИЯ И РЕВОЛЮЦИОННЫЕ ИННОВАЦИИ В ОБЛАСТИ ЗДРАВООХРАНЕНИЯ

Несмотря на ряд проблем, ограничений и неудач, ИИ начинает применяться в сфере здравоохранения. Ниже приведены некоторые из выдающихся достижений и революционных инноваций в области ИИ в здравоохранении и в эпоху пандемии, которые на данный момент находятся на стадии доработки, но уже приносят первые результаты [9,10].


Вывод

Использование ИИ для поддержки процесса принятия клинических решений и оценки рисков может стать одним из наиболее многообещающих направлений развития, которое приведет к революции в сфере предоставления медицинских услуг. Совсем скоро ИИ-технологии будут разрабатываться в условиях новой эры клинического качества и захватывающих достижений в области ухода за пациентами. Этого удастся добиться за счет применения алгоритмов и инструментов нового поколения. Такие разработки обеспечат лучшую осведомленность врачей в особенностях лабораторных исследований и более высокую эффективность при оказании помощи в условиях глобальной пандемии, подобной пандемии COVID-19. Уже сегодня легко представить себе мир, в котором медицинские  работники заходят в кабинет для осмотра пациента, ставят диагноз, изучают варианты лечения, а затем выходят из кабинета с задокументированными дискретными клиническими данными, размещенными заказами, законченными записями и полученными платежами.

Источники

  1. Leslie Kane. Medscape National Physician Burnout, Depression & Suicide Report 2020: The Generational Divide. Medscape. 2020 г. Доступно по ссылке: https://www.medscape.com/slideshow/2020-lifestyle-burnout-6012460
  2. Jones KE, Patel NG, Levy MA, Storeygard A, Balk D, Gittleman JL, et al. Global trends in emerging infectious diseases. Nature. 2008;451(7181):990–3.
  3. Wiens J, Shenoy ES. Machine Learning for Healthcare: On the verge of a major shift in healthcare epidemiology. Clin. Infect Dis. Off Publ. Infect Dis. Soc. Am. 2018 Jan 1;66(1):149–53.
  4. Jiang F, Jiang Y, Zhi H, Dong Y, Li H, Ma S, Wang Y, Dong Q, Shen H, Wang Y. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol. 2017 Jun 21;2(4):230-243. doi: 10.1136/svn-2017-000101. 
  5. Meskó, B., Görög, M. A short guide for medical professionals in the era of artificial intelligence. npj Digit. Med. 3, 126 (2020). https://doi.org/10.1038/s41746-020-00333-z.
  6. Bansal A, Padappayil R.P, Garg C. et al. Utility of Artificial Intelligence Amidst the COVID 19 Pandemic: A Review. J Med Syst 44, 156 (2020). https://doi.org/10.1007/s10916-020-01617-3.
  7. Vaishya R, Javaid M, Khan IH, Haleem A. Artificial Intelligence (AI) applications for COVID-19 pandemic. Diabetes Metab Syndr. 2020 Jul-Aug;14(4):337-339. doi: 10.1016/j.dsx.2020.04.012.
  8. AI In Healthcare – Benefits, Challenges & Risks. Insight Brief. Доступно по ссылке: https://www.insightbrief.net/wp-content/uploads/AI-in-Healthcare-Benefits-Challenges-Risks-InsightBrief.pdf?tagged=true
  9. Codrin Arsene. Artificial Intelligence in Healthcare: the future is amazing. Healthcrae weekly. 2020. Доступно по ссылке: https://healthcareweekly.com/artificial-intelligence-in-healthcare/
  10. Sathian Dananjayan et al. Artificial Intelligence during a pandemic: The COVID‐19 example. Int J Health Manag. 2020; 35 (5): 1260-1262.


Комментарии (0)

Вы хотите удалить этот комментарий? Пожалуйста, укажите комментарий Неверное текстовое содержимое Текст не может превышать 1000 символов Что-то пошло не так Отменить Подтвердить Подтвердить удаление Скрыть ответы Вид Ответы Смотреть ответы ru en
Попробуйте поиск по словам: