Применение искусственного интеллекта в медицине: достижения и перспективы. Обзор литературы. Часть 1

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Системы оказания медицинской помощи многих стран с невероятной быстротой видоизменяются под давлением инновационных цифровых платформ, приобретших популярность под названиями «искусственный интеллект» (англ. «artificial intelligence», AI) и «машинное обучение» (англ. «machine learning»)». Оперирующие собираемыми отовсюду массивами данных, системы AI способны гарантированно обеспечить принятие оптимальных решений ключевым игрокам отрасли здравоохранения, начиная от гигантов фармацевтической индустрии и заканчивая самыми мелкими поставщиками медицинских услуг. В статье представлены достижения и перспективы использования инновационных цифровых технологий и платформ в современном здравоохранении. По сведениям международных экспертов, в медицине возможно автоматизировать 36% функций, прежде всего на уровнях сбора и анализа данных, а применение технологий AI способно значительно увеличить валовую прибыль фирм и организаций, связанных с медицинской деятельностью. Основной мотивацией для проникновения AI в систему здравоохранения служат перманентный рост затрат и острая необходимость в их ограничении, а также проблема некачественной диагностики (до 30% проводящихся исследований на поверку оказываются недостоверными либо неверно интерпретируемыми) и стремление к стандартизации и автоматизации рутинных функций вплоть до создания самоуправляемых диагностических моделей. Вместе с тем самая большая проблема для AI в здравоохранении заключается не в том, будут ли эти технологии достаточно полезными, а в том, чтобы обеспечить их быстрое и эффективное внедрение в повседневную клиническую практику.

Об авторах

Виталий Анатольевич Бердутин

Приволжский окружной медицинский центр

Email: vberdt@gmail.com
ORCID iD: 0000-0003-3211-0899
SPIN-код: 8316-7111

к.м.н.

Россия, Нижний Новгород

Ольга Петровна Абаева

Первый Московский государственный медицинский университет им. И.М. Сеченова (Сеченовский Университет)

Автор, ответственный за переписку.
Email: abaevaop@inbox.ru
ORCID iD: 0000-0001-7403-7744
SPIN-код: 5602-2435

д.м.н., доцент

Россия, Москва

Татьяна Евгеньевна Романова

Первый Московский государственный медицинский университет им. И.М. Сеченова (Сеченовский Университет)

Email: romanova_te@mail.ru
ORCID iD: 0000-0001-6328-079X
SPIN-код: 4943-6121

к.м.н.

Россия, Москва

Сергей Владимирович Романов

Приволжский окружной медицинский центр

Email: pomcdpo@mail.ru
ORCID iD: 0000-0002-1815-5436
SPIN-код: 9014-6344

д.м.н., доцент

Россия, Нижний Новгород

Список литературы

  1. Benjamens S., Dhunnoo P., Mesko B. The state of artificial intelligence-based FDA-approved medical devices and algorithms: an online database // NPJ Digit Med. 2020. N. 3. P. 118. doi: 10.1038/s41746-020-00324-0
  2. Clarke R. Regulatory alternatives for AI // Computer Law & Security Review. 2019. N. 35. P. 398–409. doi: 10.1016/j.clsr.2019.04.008
  3. Coeckelbergh M. Health care, capabilities, and AI assistive technologies // Ethical Theory Moral Pract. 2010. N. 13. P. 181–190.
  4. Greco L., Percannella G., Ritrovato P., et al. Trends in IoT based solutions for health care: moving AI to the edge // Pattern Recognit Lett. 2020. N. 135. P. 346–353. doi: 10.1016/j.patrec.2020.05.016
  5. Mauro A.D., Greco M., Grimaldi M. A formal definition of big data based on its essential features // Library Review. 2016. Vol. 65, N 3. P. 122–135. doi: 10.1108/LR-06-2015-0061
  6. Ardan M., Ferry F., Rahman G.B.G. The influence of physical distance to student anxiety on COVID-19, Indonesia // Journal of Critical Reviews. 2020. N. 7. P. 1126–1132.
  7. Doyle-Lindrud S. The evolution of the electronic health record // Clin J Oncol Nurs. 2015. Vol. 19, N 2. P. 153–154. doi: 10.1188/15.CJON.153-154
  8. Reddy S., Allan S., Coghlan S., Cooper P. A governance model for the application of AI in health care // J Am Med Inform Assoc. 2020. Vol. 27, N 3. P. 491–497. doi: 10.1093/jamia/ocz192
  9. Cruz Rivera S., Liu X., Chan A.W., et al. Guidelines for clinical trial protocols for interventions involving artificial intelligence: the SPIRIT-AI extension // Nat Med. 2020. Vol. 26, N 9. P. 1351–1363. doi: 10.1038/s41591-020-1037-7
  10. Gubbi J., Buyya R., Marusic S., Palaniswami M. Internet of Things (IoT): a vision, architectural elements, and future directions // Future Generation Computer Systems. 2013. Vol. 29, N 7. P. 1645–1660. doi: 10.1016/j.future.2013.01.010
  11. Gopal G., Suter-Crazzolara C., Toldo L., Eberhardt W. Digital transformation in healthcare — architectures of present and future information technologies // Clin Chem Lab Med. 2019. Vol. 57, N 3. P. 328–335. doi: 10.1515/cclm-2018-0658
  12. Guan J. Artificial intelligence in healthcare and medicine: promises, ethical challenges and governance // Chin Med Sci J. 2019. Vol. 34, N 2. P. 76–83. doi: 10.24920/003611
  13. Beede E., Baylor E., Hersch F., et al. A human-centered evaluation of a deep learning system deployed in clinics for the detection of diabetic retinopathy. Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems; 2020 Apr 25–30; Honolulu, HI, USA. P. 1–12. doi: 10.1145/3313831.3376718
  14. Gulshan V., Peng L., Coram M., et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs // JAMA. 2016. Vol. 316, N 22. P. 2402–2410. doi: 10.1001/jama.2016.17216
  15. Koushik C.S.N., Choubey S.B., Choubey A. Chapter 7 — Application of virtual reality systems to psychology and cognitive neuroscience research. Sinha G.R., Suri J.S., editors. Cognitive informatics, computer modelling, and cognitive science. JSBT-CI: Academic Press, 2020. P. 133–147. doi: 10.1016/C2018-0-05313-X
  16. Ngiam K.Y., Khor I.W. Big data and machine learning algorithms for health-care delivery // Lancet Oncol. 2019. Vol. 20, N 5. P. e262–e273. doi: 10.1016/S1470-2045(19)30149-4
  17. Yin Y., Zeng Y., Chen X., Fan Y. The internet of things in healthcare: an overview // Journal of Industrial Information Integration. 2016. N. 1. P. 3–13. doi: 10.1016/j.jii.2016.03.004
  18. Zaharia M., Xin R.S., Wendell P., et al. Apache Spark: a unified engine for big data processing // Communications of the ACM. 2016. Vol. 59, N 11. P. 56–65. doi: 10.1145/2934664
  19. Saouabi M., Ezzati A. A comparative between hadoop mapreduce and apache Spark on HDFS. Proceedings of the 1st international conference on internet of things and machine learning; 2017 Oct 17; Liverpool: ACM, 2017. P. 1–4. doi: 10.1145/3109761.3109775
  20. Wiens J., Saria S., Sendak M., et al. Do no harm: a roadmap for responsible machine learning for health care // Nat Med. 2019. Vol. 25, N 9. P. 1337–1340. doi: 10.1038/s41591-019-0548-6
  21. Pee L.G., Pan S.L., Cui L. Artificial intelligence in healthcare robots: a social informatics study of knowledge embodiment // Journal of the Association for Information Science and Technology. 2019. N. 70. P. 351–369. doi: 10.1002/asi.24145
  22. Akmal A., Greatbanks R., Foote J. Lean thinking in healthcare — findings from a systematic literature network and bibliometric analysis // Health Policy. 2020. Vol. 124, N 6. P. 615–627. doi: 10.1016/j.healthpol.2020.04.008
  23. Centers for Medicare & Medicaid Services (CMS), HHS. Medicare Program; Hospital Inpatient Prospective Payment Systems for Acute Care Hospitals and the Long-Term Care Hospital Prospective Payment System and Policy Changes and Fiscal Year 2019 Rates; Quality Reporting Requirements for Specific Providers; Medicare and Medicaid Electronic Health Record (EHR) Incentive Programs (Promoting Interoperability Programs) Requirements for Eligible Hospitals, Critical Access Hospitals, and Eligible Professionals; Medicare Cost Reporting Requirements; and Physician Certification and Recertification of Claims. Final rule // Fed Regist. 2018. Vol. 83, N 160. P. 41144–41784.
  24. Triantafyllidis A.K., Tsanas A. Applications of machine learning in real-life digital health interventions: review of the literature // J Med Internet Res. 2019. Vol 21, N 4. P. e12286. doi: 10.2196/12286
  25. Nimri R., Battelino T., Laffel L.M., et al. Insulin dose optimization using an automated artificial intelligence-based decision support system in youths with type 1 diabetes // Nat Med. 2020. Vol. 26, N 9. P. 1380–1384. doi: 10.1038/s41591-020-1045-7
  26. Kanagasingam Y., Xiao D., Vignarajan J., et al. Evaluation of artificial intelligence-based grading of diabetic retinopathy in primary care // JAMA Netw Open. 2018. Vol. 1, N 5. P. e182665. doi: 10.1001/jamanetworkopen.2018.2665
  27. Hannun A.Y., Rajpurkar P., Haghpanahi M., et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network // Nat Med. 2019. Vol. 25, N 1. P. 65–69. doi: 10.1038/s41591-018-0268-3
  28. Lin H., Li R., Liu Z., et al. Diagnostic efficacy and therapeutic decision-making capacity of an artificial intelligence platform for childhood cataracts in eye clinics: a multicentre randomized controlled trial // EClinicalMedicine. 2019. N. 9. P. 52–59. doi: 10.1016/j.eclinm.2019.03.001
  29. Liu X., Rivera S.C., Moher D., et al. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension // BMJ. 2020. N. 370. P. m3164. doi: 10.1136/bmj.m3164
  30. Gong D., Wu L., Zhang J., et al. Detection of colorectal adenomas with a real-time computer-aided system (ENDOANGEL): a randomised controlled study // Lancet Gastroenterol Hepatol. 2020. Vol. 5, N 4. P. 352–361. doi: 10.1016/S2468-1253(19)30413-3
  31. Esteva A., Kuprel B., Novoa R.A., et al. Dermatologist-level classification of skin cancer with deep neural networks // Nature. 2017. Vol. 542, N 7639. P. 115–118. doi: 10.1038/nature21056
  32. Chen K.C., Calzone L., Csikasz-Nagy A., et al. Integrative analysis of cell cycle control in budding yeast // Mol Biol Cell. 2004. Vol. 15, N 8. P. 3841–3862. doi: 10.1091/mbc.e03-11-0794
  33. Kiani A., Uyumazturk B., Rajpurkar P., et al. Impact of a deep learning assistant on the histopathologic classification of liver cancer // NPJ Digit Med. 2020. N. 3. P. 23. doi: 10.1038/s41746-020-0232-8
  34. Rajpurkar P., Irvin J., Ball R.L., et al. Deep learning for chest radiograph diagnosis: a retrospective comparison of the CheXNeXt algorithm to practicing radiologists // PLoS Med. 2018. Vol. 15, N 11. P. e1002686. doi: 10.1371/journal.pmed.1002686
  35. Le Douarin Y., Traversino Y., Graciet A., et al. Telemonitoring and experimentation in telemedicine for the improvement of healthcare pathways (ETAPES program). Sustainability beyond 2021: what type of organisational model and funding should be used? // Therapie. 2020. Vol. 75, N 1. P. 43–56. doi: 10.1016/j.therap.2019.12.009
  36. Hollon T.C., Pandian B., Adapa A.R., et al. Near real-time intraoperative brain tumor diagnosis using stimulated Raman histology and deep neural networks // Nat Med. 2020. Vol. 26, N 1. P. 52–58. doi: 10.1038/s41591-019-0715-9
  37. Wang P., Liu X., Berzin T.M., et al. Effect of a deep-learning computer-aided detection system on adenoma detection during colonoscopy (CADe-DB trial): a double-blind randomised study // Lancet Gastroenterol Hepatol. 2020. Vol. 5, N 5. P. 343–351. doi: 10.1016/S2468-1253(19)30411-X
  38. Tobore I., Li J., Yuhang L., et al. Deep learning intervention for health care challenges: some biomedical domain considerations // JMIR mHealth uHealth. 2019. Vol. 7, N 8. P. e11966. doi: 10.2196/11966
  39. Wijnberge M., Geerts B.F., Hol L., et al. Effect of a machine learning-derived early warning system for intraoperative hypotension vs. standard care on depth and duration of intraoperative hypotension during elective noncardiac surgery // JAMA. 2020. Vol. 323, N 11. P. 1052–1060. doi: 10.1001/jama.2020.0592
  40. Moher D., Liberati A., Tetzlaff J., et al. Reprint — Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement // Phys Ther. 2009. Vol. 89, N 9. P. 873–880.
  41. Rebentrost P., Mohseni M., Lloyd S. Quantum support vector machine for big data classification // Phys Rev Lett. 2014. Vol. 113, N 13. P. 130503. doi: 10.1103/PhysRevLett.113.130503
  42. Teiten M., Eifes S., Reuter S., et al. Gene expression proling related to anti-inammatory properties of curcumin in k562 leukemia cells // Ann N Y Acad Sci. 2009. Vol. 1171, N 1. P. 391–398. doi: 10.1111/j.1749-6632.2009.04890.x
  43. Shameer K., Badgeley M.A., Miotto R., et al. Translational bioinformatics in the era of real-time biomedical, health care and wellness data streams // Brief Bioinform. 2017. Vol. 18, N 1. P. 105–124. doi: 10.1093/bib/bbv118
  44. Reardon S. Quantum microscope offers MRI for molecules // Nature. 2017. Vol. 543, N 7644. P. 162. doi: 10.1038/nature.2017.21573
  45. Dash S., Shakyawar S.K., Sharma M., Kaushik S. Big data in healthcare: management, analysis and future prospects // Journal of Big Data. 2019. N. 6. P. 54. doi: 10.1186/s40537-019-0217-0
  46. Sun T.Q., Medaglia R. Mapping the challenges of Artificial Intelligence in the public sector: evidence from public healthcare // Government Information Quarterly. 2019. Vol. 36, N 2. P. 368–383. doi: 10.1016/j.giq.2018.09.008
  47. Reshetnikov A., Fedorova J., Prisyazhnaya N., et al. Health Management for Sustainable Development. 2nd World Conference on Smart Trends in Systems. Security and Sustainability (WorldS4); 2018 Oct 30–31; London, UK. New York: Institute of Electrical and Electronics Engineers, 2019. P. 51–56.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© ООО "Эко-Вектор", 2023


 


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».