Системы искусственного интеллекта в клинической физиологии: как сделать их обучение эффективным?

Обложка

Цитировать

Аннотация

Клиническая физиология ― раздел медицинских наук о роли и характере изменений физиологических процессов, происходящих в организме при предпатологических и патологических состояниях, ― предполагает полное, комплексное, многостороннее исследование функций как поражённых, так и здоровых органов, что позволяет оценить компенсаторные возможности организма.

Программное обеспечение и различные программно-аппаратные комплексы, созданные с использованием технологий искусственного интеллекта, всё активнее применяются в различных отраслях медицины, в том числе и в клинической физиологии. Этому способствуют появление наборов медицинских данных, увеличение вычислительных мощностей, развитие облачных сервисов, а также многочисленные публикации, демонстрирующие эффективность и перспективность применения подобных интеллектуальных решений.

Несмотря на то, что в целом подход к формированию медицинских наборов данных схож, в клинической физиологии имеется целый ряд ключевых особенностей и существенных отличий. Соблюдение предлагаемых нами правил по формированию наборов данных потенциально позволит эффективно обучить системы искусственного интеллекта в области клинической физиологии и применять их на практике.

Вступивший в силу национальный стандарт Российской Федерации ГОСТ Р 59921.9-2022 входит в комплекс стандартов «Системы искусственного интеллекта в клинической медицине» и устанавливает дополнительные требования к алгоритмам анализа данных и методам испытаний систем искусственного интеллекта, применяемых в области клинической физиологии. Важной особенностью нового стандарта является его квазиметрический тип (прилагается обязательный набор демонстрационных данных).

Россия одной из первых стран в мире приступила к разработке квазиметрических стандартов, и уже в текущем году вступят в силу 15 отраслевых стандартов в сфере искусственного интеллекта (из них два ― по медицине).

Об авторах

Дмитрий Валериевич Шутов

Научно-практический клинический центр диагностики и телемедицинских технологий

Автор, ответственный за переписку.
Email: ShutovDV@zdrav.mos.ru
ORCID iD: 0000-0003-1836-3689
SPIN-код: 9381-2456

д.м.н.

Россия, Москва

Дарья Евгеньевна Шарова

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: ShutovDV@zdrav.mos.ru
ORCID iD: 0000-0001-5792-3912
SPIN-код: 1811-7595
Россия, Москва

Лия Руслановна Абуладзе

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: AbuladzeLR@zdrav.mos.ru
ORCID iD: 0000-0001-6745-1672
SPIN-код: 8640-9989

м.н.с.

Россия, Москва

Дмитрий Владимирович Дроздов

Национальный медицинский исследовательский центр кардиологии

Email: cardioexp@gmail.com
ORCID iD: 0000-0001-7374-3604
SPIN-код: 2279-9657

к.м.н.

Россия, Москва

Список литературы

  1. Курзанов А.Н. Клиническая физиология: становление, цели, задачи, пределы компетентности, место в системе высшего профессионального медицинского образования // Международный журнал экспериментального образования. 2012. № 4–2. С. 128–130.
  2. Гусев А.В., Владзимирский А.В., Шарова Д.Е., и др. Развитие исследований и разработок в сфере технологий искусственного интеллекта для здравоохранения в Российской Федерации: итоги 2021 года // Digital Diagnostics. 2022. Т. 3, № 3. C. 178–194. doi: 10.17816/DD107367
  3. Al-Mousily M.F., Baker G.H., Jackson L., et al. The use of a traditional nonlooping event monitor versus a loan-based program with a smartphone ECG device in the pediatric cardiology clinic // Cardiovasc Digit Heal J. 2021. Vol. 2, N 1. P. 71–75. doi: 10.1016/j.cvdhj.2020.11.008
  4. Ding E.Y., Pathiravasan C.H., Schramm E., et al. Design, deployment, and usability of a mobile system for cardiovascular health monitoring within the electronic Framingham Heart Study // Cardiovasc Digit Heal J. 2021. Vol. 2, N 3. P. 171–178. doi: 10.1016/j.cvdhj.2021.04.001
  5. Bashar S.K., Hossain M.B., Lázaro J., et al. Feasibility of atrial fibrillation detection from a novel wearable armband device // Cardiovasc Digit Heal J. 2021. Vol. 2, N 3. P. 179–191. doi: 10.1016/j.cvdhj.2021.05.004
  6. Goodwin A.J., Eytan D., Greer R.W., et al. A practical approach to storage and retrieval of high-frequency physiological signals // Physiol Meas. 2020. Vol. 41, N 3. P. 035008. doi: 10.1088/1361-6579/ab7cb5
  7. Bartlett V.L., Ross J.S., Shah N.D., et al. Physical activity, patient-reported symptoms, and clinical events: Insights into postprocedural recovery from personal digital devices // Cardiovasc Digit Heal J. 2021. Vol. 2, N 4. P. 212–221. doi: 10.1016/j.cvdhj.2021.06.002
  8. Mishra S., Khatwani G., Patil R., et al. ECG paper record digitization and diagnosis using deep learning // J Med Biol Eng. 2021. Vol. 41, N 4. P. 422–432. doi: 10.1007/s40846-021-00632-0
  9. Kashou A.H., Mulpuru S.K., Deshmukh A.J., et al. An artificial intelligence-enabled ECG algorithm for comprehensive ECG interpretation: Can it pass the ‘Turing test’? // Cardiovasc Digit Heal J. 2021. Vol. 2, N 3. P. 164–170. doi: 10.1016/j.cvdhj.2021.04.002
  10. Wagner P., Strodthoff N., Bousseljot R.D., et al. PTB-XL, a large publicly available electrocardiography dataset // Sci Data. 2020. Vol. 7, N 1. P. 154. doi: 10.1038/s41597-020-0495-6
  11. Zheng J., Zhang J., Danioko S., et al. A 12-lead electrocardiogram database for arrhythmia research covering more than 10,000 patients // Sci Data. 2020. Vol. 7, N 1. P. 48. doi: 10.1038/s41597-020-0386-x
  12. М 80 Регламент подготовки наборов данных с описанием подходов к формированию репрезентативной выборки данных. Часть 1. Методические рекомендации / под ред. С.П. Морозова, А.В. Владзимирского, А.Е. Андрейченко, и др. Москва, 2022. 40 с. (Серия: Лучшие практики лучевой и инструментальной диагностики).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Блок-схема проведения клинических испытаний с использованием наборов данных (один из возможных вариантов реализации).

Скачать (130KB)
3. Рис. 2. Пример файла из демонстрационного набора данных ГОСТ Р 59921.9-2022 «Системы искусственного интеллекта в клинической медицине. Алгоритмы анализа данных в клинической физиологии. Методы испытаний».

Скачать (332KB)

© Эко-вектор, 2023

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах