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

Гаврилов Д.В., Серова Л.М., Корсаков И.Н., Гусев А.В., Новицкий Р.Э. , Кузнецова Т.Ю. Предсказание сердечно-сосудистых событий при помощи комплексной оценки факторов риска с использованием методов машинного обучения // Врач.2020.-№5-С.41-45 Копировать

Профилактика сердечно-сосудистых заболеваний (ССЗ) является актуальной проблемой, связанной с лидирующем уровнем смертности от них в мире, различными способами оценки сердечно-сосудистого риска, точностью его определения. Цель: разработать модель при помощи машинного обучения для предсказания сердечно-сосудистого риска и валидировать ее с использованием российских медицинских данных. Материал и методы: набор данных для обучения получен из Фрамингемского исследования, в него входили 4363 пациента без ССЗ, из которых 852 (19,5%) умерли от инфаркта миокарда и инсульта в течение 10 лет с начала наблюдения. Входящие признаки модели: пол, возраст, систолическое АД, холестерин, курение, индекс массы тела, частота сердечных сокращений. Исходный набор данных был разделен на 2 части: учебный набор данных «train» (80% записей) и набор данных проверки «validate» (оставшиеся 20%). Дополнительно было проведено тестирование модели на внешнем наборе данных «test», который включал 411 деперсонифицированных данных пациентов российской популяции. Результаты: итогом работы стала модель WML.CVD.Score, построенная методом последовательной нейронной сети с одним входным, двумя скрытыми и одним выходным слоем. Результаты точности на учебном наборе данных: Accuracy – 81,15%, AUC – 0,80. Эти же показатели на проверочном наборе данных «validate» составили: Accuracy – 81,1%, AUC 0,76. Результаты тестирования на наборе данных «test»: Accuracy – 79,07, AUC – 0,86. На российских тестовых данных AUC для шкалы SCORE составила 0,81 против 0,86 для разработанной модели, что показало обоснованность применения машинного обучения с целью повышения прогностической модели. Заключение: разработанная модель продемонстрировала высокую точность предсказания сердечно-сосудистых событий как при внутренней, так и при внешней валидации.

Gavrilov D., Gusev A., Korsakov I., Novitsky R., and Serova L., "Feature Extraction Method from Electronic Health Records in Russia", in Proceedings of the FRUCT’26, ISSN 2305-7254, ISBN 978-952-69244-2-7, pp. 497-500, April 2020 Копировать

The medical language is the basis of the electronic medical records (EHR), and up to 70 percent of the information in these records were writing in natural language, in the free text part. The last few years have seen a surge in the number of accurate, fast, publicly available name entity recognition (NER) parsers. At the same time, the use of NER parsing in natural language processing (NLP) applications has increased. It can be difficult for a non-expert to select a good “off-the-shelf” parser. We present a method of using statistical NER parsers on a medical corpus of Russian. We developed a new tool that gives a convenient way to extract NER from unstructured medical documents.

Korsakov I., Gusev A., Kuznetsova T., Gavrilov D., Novitskiy R. Deep and machine learning models to improve risk prediction of cardiovascular disease using data extraction from electronic health records // European Heart Journal, Volume 40, Issue Supplement_1, October 2019, ehz748.0670 Копировать

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

Гусев А.В., Гаврилов Д.В., Корсаков И.Н., Кузнецова Т.Ю., Серова Л.М., Новицкий Р.Э. Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний // Врач и информационные технологии. 2019.- №3.-С. 41-47 Копировать

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

Гусев А.В., Кузнецова Т.Ю., Корсаков И.Н. Искусственный интеллект в оценке рисков развития сердечно-сосудистых заболеваний // Журнал телемедицины и электронного здравоохранения. 2018.- № 3 (8). - С. 85-90. Копировать

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

Гусев А.В., Плисс М.А. Основные рекомендации к созданию и развитию информационных систем в здравоохранении на базе искусственного интеллекта // Врач и информационные технологии. 2018. - №3. - С. 45-60. Копировать

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.

Гусев А.В., Добриднюк С.Л. Искусственный интеллект в медицине и здравоохранении // Информационное общество, 2017.-№4-5-С. 78-93 Копировать

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.

Гусев А.В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения // Врач и информационные технологии. 2017. -№3.-С. 92-105 Копировать

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.

Гусев А.В., Зарубина Т.В. Поддержка принятия врачебных решений в медицинских информационных системах медицинской организации // Врач и информационные технологии. 2017.- №2.-С. 60-72 Копировать

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