Надежный цифровой помощник врачу для помощи в снижении заболеваемости и смертности

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