Система предиктивной аналитики и управления рисками в медицине на основе искусственного интеллекта

Авторы: Кузнецова Татьяна • Новицкий Роман • Гусев Александр • Гаврилов Денис • Игорь Корсаков

Advances in precision medicine will require an increasingly individualized prognostic evaluation of patients in order to provide the patient with appropriate therapy. The traditional statistical methods of predictive modeling, such as SCORE, PROCAM, and Framingham, according to the European guidelines for the prevention of cardiovascular disease, not adapted for all patients and require significant human involvement in the selection of predictive variables, transformation and imputation of variables. In ROC-analysis for prediction of significant cardiovascular disease (CVD), the areas under the curve for Framingham: 0.62–0.72, for SCORE: 0.66–0.73 and for PROCAM: 0.60–0.69. To improve it, we apply for approaches to predict a CVD event rely on conventional risk factors by machine learning and deep learning models to 10-year CVD event prediction by using longitudinal electronic health record (EHR). Доступ: https://doi.org/10.1093/eurheartj/ehz748.0670

Авторы: Кузнецова Татьяна • Новицкий Роман • Гусев Александр • Гаврилов Денис • Игорь Корсаков • Серова Лариса

Заболеваемость и смертность от сердечно-сосудистых заболеваний (ССЗ) остается лидирующей на протяжении последних десятилетий в всем мире. Методы первичной профилактики, основанные на управлении факторами сердечно-сосудистого риска, являются наиболее эффективными для снижения бремени ССЗ. В профилактической медицине для управления рисками ССЗ используются рискометры - шкалы, полученные в результате длительных проспективных исследований. Но практическое применение разработанных шкал показало ограничения в точности прогнозирования. Машинное обучение дает возможность повысить точность прогнозирования сердечно-сосудистого риска за счет нелинейных взаимосвязей их более глубокой настройки между факторами риска и результатами заболеваний. Используя данные 2236 пациентов, нами была обучена модель по признакам, используемым в построении фрамингемской шкалы. Мы сравнили полученную модель и Фрамингемскую шкалу на точность прогноза сердечно-сосудистого события. Так, по ROC анализу для Фрамингемской шкалы показатели следующие: точность Accuracy: 70,0%, качество AUC: 0.59. При этом для модели, полученной с использованием машинного обучения, аналогичные показатели составили: Accuracy: 78,8%, AUC: 0.84. Таким образом, использование алгоритмов машинного обучения, включая алгоритмы глубокого обучения, могут значительно повысить точность прогнозирования сердечно-сосудистых рисков обученных моделей

Авторы: Кузнецова Татьяна • Гусев Александр • Игорь Корсаков

Сердечно-сосудистые заболевания (ССЗ) являются одной из главных причин смертности и инвалидизации в большинстве стран мира, в т. ч. в России. По данным Росстата в 2016 г. от болезней системы кровообращения в России умерло 904 тыс. человек, что составило 47,8 % в структуре причин смертности населения. В качестве борьбы с высокой заболеваемостью в мировом здравоохранении отчетливо наблюдается смена парадигмы в сторону активной профилактики и предотвращения, а не лечения, заболеваний и стремление к сокращению стационарной помощи в пользу амбулаторного лечения, ухода на дому и самостоятельной заботы пациентов о собственном здоровье. В большинстве современных мировых клинических рекомендациях четко указана последовательность действий врача, к которому за помощью обратился пациент, включая обязанность оценить объективные данные здоровья, выявить факторы риска и на основании их определить сердечно-сосудистый риск у конкретного пациента, а затем предпринимать шаги по снижению этого риска. Однако в настоящее время в России массового полноценного выявления факторов риска и общей оценки риска развития ССЗ не проводится. Простые призывы к врачебной ответственности или нормативное закрепление этих требований вряд ли на практике существенно изменят сложившуюся ситуацию, т.к. оно не меняет причины этой проблемы. В этой связи предлагается разработка системы поддержки принятия врачебных решений (СППВР), построенной с применением машинного обучения и методов искусственного интеллекта. Такую систему можно было бы встроить в любые системы ведения электронных медицинских карт (ЭМК) и используя извлечение данных в том числе из неструктурированных медицинских записей, обеспечивать автоматическое выявление факторов риска и оценку рисков развития сердечно-сосудистых заболеваний пациента

Авторы: Гусев Александр • Плисс Михаил

Искусственный интеллект становится одним из основных драйверов в решении серьезных проблем медицины и здравоохранения, таких как недостаточность ресурсов, дальнейшее повышение эффективности, качества и скорости работы. Во всем мире создаются все новые и новые решения в этой области. Однако, чем больше появляется новых продуктов, тем больше вопросов и проблем поднимается. В работе проанализированы некоторые зарубежные публикации и результаты исследований, в которых изучались основные проблемы, связанные с созданием и внедрением систем искусственного интеллекта в здравоохранении. В результате анализа был сформулирован ряд практических рекомендаций, которые помогут повысить вероятность успешного создания и внедрения таких продуктов в практическом звене здравоохранения.

Авторы: Гусев Александр • Добриднюк Сергей

В работе рассматриваются перспективы применения технологий искусственного интеллекта в медицине и здравоохранении. Описывается история развития искусственного интеллекта, анализируются технологии машинного обучения и нейронных сетей. Приводится обзор уже реализованных проектов применения искусственного интеллекта, дается прогноз наиболее перспективных, по мнению авторов, направлений развития технологий искусственного интеллекта на ближайший период.

Авторы: Гусев Александр

В работе приведен обзор перспектив применения нейронных сетей и глубокого машинного обучения в создании систем искусственного интеллекта для здравоохранении. Приводится определение и пояснения по технологиям машинного обучения и нейронных сетей. Представлен обзор уже реализованных проектов применения искусственного интеллекта, а также дается прогноз наиболее перспективных, по мнению автора, направлений развития в ближайшее время.

Авторы: Гусев Александр • Зарубина Татьяна

В статье представлен обзор различных возможностей поддержки принятия врачебных решений в медицинских информационных системах медицинских организаций. Дается описание функциональных требований и перспектив в части повышения эффективности медицинских информационных систем в информатизации клинической работы врачей