Роль искусственных нейронных сетей и систем поддержки принятия врачебных решений в медицинских информационных системах

Интеграция искусственных нейронных сетей (ИНС) в системы поддержки принятия клинических решений на базе медицинских информационных систем представляет собой преобразующий сдвиг в технологиях здравоохранения, улучшающий принятие клинических решений с помощью передовых методов машинного обучения. Эта эволюция возникла в ответ на растущую сложность и объем медицинских данных, что требует более сложных инструментов поддержки принятия решений, которые могут предоставлять персонализированные рекомендации и улучшать результаты лечения пациентов. Нейронные сети, характеризующиеся своей способностью обучаться на больших наборах данных, сыграли решающую роль в разработке прогностических моделей, которые выявляют риски для пациентов и предлагают решения, оптимизируя клинические рабочие процессы и повышая качество оказываемой помощи. Применение ИНС вызвало дискуссии об их эффективности, удобстве использования и этических последствиях решений в области здравоохранения, основанных на искусственном интеллекте (ИИ). Исследования показали значительное улучшение точности прогнозирования по сравнению с традиционными системами, основанными на правилах, однако при их внедрении сохраняются проблемы, в т.ч. связанные с качеством данных алгоритмической предвзятостью и необходимостью прозрачности в процессах принятия решений с помощью ИИ. Переход от традиционных подходов принятия решений к системам на базе нейросетевых технологий усиливает дебаты вокруг доверия и объяснимости в технологиях здравоохранения. В то время как ИНС предлагают многообещающие достижения в принятии медицинских решений, их природа «черного ящика» вызывает опасения у поставщиков медицинских услуг относительно надежности и прозрачности генерируемых ими рекомендаций. Решение этих проблем имеет большое значение для обеспечения интеграции ИНС в медицинские информационные системы, что в конечном итоге направлено на равноправное и эффективное лечение пациентов. Поскольку данная область продолжает развиваться, текущие и новые исследования имеют решающее значение для совершенствования, смягчения потенциальных предубеждений и улучшения функциональности систем поддержки врачебных решений, работающих на основе ИНС. Конвергенция ИИ и здравоохранения возвещает о новой эре, которая может произвести революцию в клинической практике, но также требует тщательного рассмотрения этических последствий и соблюдения основополагающих принципов лечения пациентов.

Введение

Современная медицина сталкивается с огромным объемом данных, которые необходимо эффективно обрабатывать для обеспечения качественного медицинского обслуживания. Электронные медицинские карты (ЭМК) и медицинские информационные системы (МИС) играют ключевую роль в систематизации и хранении этой информации, однако простые статистические методы анализа данных часто не справляются с постоянно возрастающими их объемами и сложностью. В этом контексте на передний план выходят современные технологии искусственного интеллекта (ИИ), в частности искусственные нейронные сети (ИНС) и системы поддержки принятия врачебных решений (СППВР) [1].

В качестве наиболее мощных инструментов машинного обучения ИНС демонстрируют высокую эффективность в решении задач, связанных с обработкой различных типов медицинских данных. Эти модели могут анализировать большие объемы информации, выявлять скрытые закономерности и предлагать точные прогнозы, что имеет большое значение для диагностики и лечения заболеваний [2]. В свою очередь СППВР обеспечивают врачей ценными рекомендациями, помогая принимать более обоснованные и точные клинические решения [3].

Первоначальные усилия по внедрению СППВР в клиническую практику были сосредоточены на предоставлении простых клинических рекомендаций на основе предопределенных правил и простых алгоритмов. Однако по мере увеличения объема и сложности данных здравоохранения возникла потребность в более совершенных системах, которые могли бы использовать передовые вычислительные методы, такие как машинное обучение, для улучшения процессов принятия клинических решений. Актуальность использования ИНС и СППВР в медицине обусловлена не только ростом объема данных, но и необходимостью повышения точности и скорости принятия клинических решений, а также сокращения медицинских ошибок [4]. Интеграция этих технологий в МИС и ЭМК создает основу для создания более интеллектуальных и персонализированных медицинских («умных») систем, способных значительно улучшить качество оказания медицинской помощи [3, 5, 6].

В данном обзоре рассматривается роль ИНС и СППВР в контексте их применения в МИС и ЭМК, описываются их базовые концепции и обсуждаются ключевые вызовы и перспективы дальнейшего развития этих технологий.

Применение ТНС в медицине

Сегодня ИНС представляют собой ключевую технологию ИИ, которая находит широкое применение в медицине. По своей структуре ИНС – математические алгоритмы, генерируемые компьютерами, которые обучаются на основе данных и улавливают содержащиеся в них закономерности и ассоциации. Обученные ИНС фундаментально приближаются к функциональности небольшого биологического нейронного кластера. Они представляют собой оцифрованную модель биологического мозга и могут обнаруживать сложные нелинейные связи между зависимыми и независимыми переменными в данных, которые человеческий мозг может не распознать [2].

Способность ИНС обучаться на больших объемах информации и извлекать сложные зависимости между отдельными параметрами в данных делает их незаменимыми для решения различных медицинских задач. Прежде всего ИНС, а конкретно технологии глубокого обучения, активно используются для анализа медицинских изображений в диагностике ряда заболеваний, таких как онкология, туберкулез и COVID-19 [7–9]. Технологии машинной интерпретации визуальной информации называются «компьютерным зрением». Традиционно здесь применяется самый успешный тип ИНС со сверточной архитектурой, который был предложен Яном Лекуном в 1988 г. [10]. Современные методы обработки изображений, основанные на глубоком обучении, обеспечивают высокую точность при распознавании патологий на рентгенологических снимках с использованием данных магнитно-резонансной и компьютерной томографии, а также в цифровой патоморфологии. Модели ИИ, в т.ч. с новой архитектурой графовых ИНС, успешно распознают злокачественные клетки в культурах и опухолевых тканях, например, при раке предстательной и молочной желез, лимфомах [11, 12]. Точность распознавания различных опухолей по цифровым фотографиям и данным томографии, согласно результатам многочисленных исследований, варьируется в высоких пределах – 95–99% [13]. Некоторые системы ИИ, использующие компьютерное зрение, уже получили соответствующее одобрение от регламентирующих органов и внедрены в клиническую практику. Примером является система DeepMind, которая применяется в офтальмологии, в частности для диагностики диабетической ретинопатии по анализу фотоизображений сетчатки глаза [14].

Другим направлением применения ИНС является прогнозирование клинических исходов течения болезней от осложнений и рецидивов до эффективности терапии и выживаемости [15]. При этом используются исторические данные пациентов, включая лабораторные показатели, анамнез и другие клинические параметры. Следует отметить, что точность прогностических моделей выживаемости уступает диагностическим, что может быть обусловлено большим числом потенциальных и неучтенных факторов, влияющих на результаты лечения больных, а также недост...

Труханова И.Г., Гуреев А.Д., Бибикова Е.Г., Лунина А.В.