Программа консультирования пациентов с глаукомой с использованием модели CASNET стала одним из первых прототипов, демонстрирующих возможность применения ИИ в здравоохранении. Модель могла применять информацию о конкретном заболевании к отдельным пациентам и давать врачам советы по лечению. Она была разработана в Университете Рутгерса и официально продемонстрирована в 1976 г. [Kaul et al., 2020].
Наиболее известной экспертной системой стала система Mycin, предназначенная для диагностики и наблюдения за состоянием больного при менингите, различных бактериальных инфекциях.
Извлечение информации из электронной медицинской карты пациента и использование технологии DeepQA для предоставления ответов, основанных на доказательной медицине, позволило получить новые возможности для принятия клинических решений на основе фактических данных. В 2017 г. соавторы использовали IBM Watson для успешной идентификации новых РНК-связывающих белков, которые были изменены при боковом амиотрофическом склерозе.
IBM Watson является одним из самых крупных проектов ИИ, применяемых в медицине. Первоначально систему стали использовать в онкологии для постановки диагноза и предложения способов лечения. Далее разработчики позволили программе проанализировать десятки миллиардов медицинских снимков и обезличенных медицинских карт пациентов для выработки у нее алгоритма выявления патологий исходя из результатов анализов и анамнеза пациента. Позже программа смогла выполнять функции ассистента радиолога, а потом разработчики приняли решение развивать у IBM Watson способность находить аномалии в области кардиологии, чтобы формировать заключение для врача и ускорять его работу. При этом для анализа продукт использует информацию из загруженных в его облако научных журналов и исследований (объем данных эквивалентен сотням миллионов печатных книг).
Первой в здравоохранении технологией ИИ с глубоким обучением в 2017 г. стало приложение CardioAI платформы Arteries, которое могло за считанные секунды анализировать магнитно-резонансные изображения сердца, предоставляя такую информацию, как фракция сердечного выброса. С тех пор приложение было расширено за счет включения изображений печени и легких, рентгеновских изображений органов грудной клетки и опорно-двигательного аппарата, а также неконтрастных изображений КТ головы.
В последние годы ИИ в медицине стремительно развивается. Сейчас технологии ИИ позволяют с легкостью и все возрастающей точностью решать такие задачи, как, например, оценка присутствия инородного тела или патологии на рентгенологическом снимке или ультразвуковом изображении, наличия раковых клеток в цитологическом материале, в генетических исследованиях и т. п.
Примеры областей применения в здравоохранении технологических решений на основе ИИ:
– цифровой помощник способствует оказанию медицинской помощи в течение установленных норм времени за счет постоянного мониторинга состояния пациента и оповещения медицинских работников;
– машинное обучение помогает прогнозировать течение патологического процесса с помощью анализа данных, влияющих на результаты лечения;
– глубокое обучение позволяет обрабатывать большое количество биомедицинских данных разных типов для уменьшения неопределенности при принятии клинических решений о лечении;
– обработка изображений позволяет повышать качество и интенсивность процесса, выявлять признаки заболевания;
– обработка естественных языков помогает интерпретировать записи электронной медицинской карты, извлекать и структурировать информацию.
Так, Сингапурский институт генома человека с 2017 г. работает над изучением генов добровольцев, предпринимая попытки глубокого машинного обучения с предварительным сбором и обработкой больших данных. Группа выявила 98,3 миллиона генетических вариантов, чем существенно пополнила имеющуюся базу. На основании обработанных данных предыдущих 15 лет был собран банк генетических данных основных этносов Сингапура для последующего использования в постановке диагнозов и прогнозировании заболеваний, проработке политики профилактики болезней и общественного здравоохранения.
Используя подобный алгоритм действий, в Великобритании разработали предиктивную модель, которая позволяет проводить скрининг большого количества пациентов и выявлять тех, кто находится в группе высокого риска идиопатической легочной гипертензии до появления симптомов. Системы ИИ широко используются в реаниматологии, изучается их эффективность.
В США научный медицинский центр Cleveland Clinic и Microsof с помощью алгоритмов платформы Azure анализируют данные о состоянии пациентов, собираемые приборами в отделениях реанимации и интенсивной терапии, и предсказывают риски развития критических ситуаций для каждого пациента.
Системы ИИ решают целый ряд проблем этой группы пациентов, в том числе предсказание риска развития сепсиса, что является сложной клинической проблемой. Так, в работе К. Мао (Qian Mao) и соавторов (2018), выполненной в клиниках США, получены статистически значимые данные о прогнозировании развития сепсиса. Работа основана на построении алгоритма InSight с выборкой данных из медицинской информационной системы, включающей 90 353 пациента. Алгоритм ИИ базируется на ретроспективных данных и применен в дальнейшем к проспективному анализу. Производится анализ клинических данных пациента: уровня артериального давления, частоты сердечных сокращений, частоты дыхания, насыщения крови кислородом и температуры тела, а оценка риска формируется на основе алгоритмического дерева решений. Проведено сравнение прогнозов разработанного алгоритма InSight и «золотого стандарта» с тремя распространенными клиническими системами оценки ухудшения состояния пациентов: MEWS (Modifed Early Warning Score), SIRS (Systemic Infammatory Response Syndrome), SOFA (Sequential Organ Failure Assessment). InSight превзошел эти классические системы при скрининге сепсиса, тяжелого сепсиса и септического шока. Оказалось, что построенная модель прогнозирует развитие сепсиса за 4 ч до его начала с высоким уровнем чувствительности 0,80 и достигает специфичности 0,95; 0,84 – для тяжелого сепсиса и 0,99 – для обнаружения септического шока. В стандартных схемах прогнозирования – 0,75; 0,72 и 0,84 соответственно [Mao et al., 2018]. Раннее выявление пациентов, склонных к тяжелому сепсису, может расширить окно для своевременного клинического вмешательства.
Система ИИ может оптимизировать процесс проведения лабораторных исследований. В исследовании, проведенном в Принстонском университете (США), проанализированы результаты лабораторных тестов, деидентифицированные данные о медицинской помощи в отделениях реанимации и интенсивной терапии по 58 тыс. случаев госпитализаций. Из базы данных сначала отбирали взрослых пациентов по крайней мере с одним зарегистрированным измерением для каждого из 20 жизненно важных показателей и лабораторных тестов, обычно назначаемых врачами (например, кислотно-основного состояния и газов крови). Далее данные о пациентах фильтровали по продолжительности их пребывания, учитывая только тех, кто находится в отделении реанимации и интенсивной терапии от 1 до 20 дней, и таким образом сформировали основную группу из 6060 наблюдений. Из 20 физиологических признаков определили восемь, которые более точно предсказывали начало тяжелого сепсиса, септического шока или острой почечной недостаточности, оценку SIRS (синдрома системного воспалительного ответа) и SOFA (последовательная оценка органной недостаточности): частоту дыхания в 1 мин, частоту сердечных сокращений в 1 мин, уровень артериального давления, температуру тела, уровень креатинина и мочевины в сыворотке крови, содержание лейкоцитов в крови, уровень лактата. Из этих признаков первые три являлись жизненно важными показателями, измеряемыми с помощью систем прикроватного мониторинга, которые регистрировались ежечасно. Последние четыре являлись лабораторными показателями, требующими инвазивного вмешательства, и обычно измерялись 2–3 раза в сутки. С учетом того, что частота их назначений варьировала в разных клиниках, разработан алгоритм, основанный на структуре многовыходового гауссовского процесса (MOGP – Multiple Output Gaussian Process) для получения ежечасных прогнозов состояния пациента с количественной неопределенностью по 17 из 20 клинических признаков (всего проанализировано более 800 тыс. шагов).
Для прогнозирования выбраны параметры, входящие в шкалу оценки тяжести состояния SOFA. Это мотивировалось тем, что на практике сепсис чаще распознается по сопутствующей органной недостаточности, чем по непосредственному выявлению самой инфекции. Прирост по SOFA двух баллов и более считался критическим показателем для развития сепсиса и являлся предиктором для лабораторного контроля. В разработанной математической модели учитывались не только рассчитанная тяжесть состояния и его динамика в зависимости от изменения предпринимаемой терапии или вмешательства, но и стоимость лабораторного теста. После того как был внедрен алгоритм ИИ в тестовой группе, сформированы следующие рекомендации по лабораторному контролю: основное внимание необходимо акцентировать на данных, получаемых с прикроватного оборудования (частота дыхания, частота сердечных сокращений и т. д.), так как их динамика позволяет раньше определить развитие критических инцидентов (показания к диализу, необходимость перевода на искусственную вентиляцию легких); лабораторный контроль основных показателей следует проводить не чаще одного раза в сутки, если нет прироста по SOFA › 2 баллов в течение 1 ч, и только в случае увеличения оценки по SOFA › 2 баллов в течение 1 ч необходимы контроль уровня лактата и дальнейшая расширенная лабораторная диагностика. Тем самым показана необоснованность рутинного лабораторного контроля у всех пациентов в отделении реанимации и интенсивной терапии несколько раз в сутки, что позволяет снизить не только затраты на проводимое лечение, но и информационную нагрузку на клинициста. Например, в случае рекомендации о назначении определения уровня лейкоцитов крови в тестовом наборе достигнуто общее снижение такого назначения на 44 % по сравнению с контрольной группой [Cheng et al., 2019].
В исследовании, проведенном на базе отделения реанимации и интенсивной терапии Бернской университетской клиники (Швейцария), принимающем более 6500 пациентов в год, оценен разработанный алгоритм ИИ с использованием машинного обучения, предупреждающий врачей об угрозе развития недостаточности кровообращения за 8 ч до предполагаемого неблагоприятного инцидента. Цель исследования состояла в том, чтобы оценить параметры гемодинамики, сосредоточив внимание на доле случаев недостаточности кровообращения, которые система способна обнаружить, и частоте ложных тревог. Точность модели определена как доля сигналов тревоги, которые правильно предсказывают наступление события (период недостаточности кровообращения) в течение последующих 8 ч. Для проспективной регистрации информации о состоянии здоровья пациента, измерения параметров функций органов, результатов лабораторных анализов и параметров лечения от поступления в отделение до выписки использовали данные 9040 пациентов. Для оценки эффективности прогнозирования использовали регистрацию клинических показателей состояния кровообращения. Из 175 получаемых от пациента параметров определены 17 основных, три опорных. Рассматривались характеристики пациента: возраст, тяжесть состояния по шкале APACHE, рост, пол и др. В процессе машинного обучения для разработки системы раннего предупреждения о недостаточности кровообращения на основе базы данных показателей интенсивной терапии высокого разрешения установили, что система ИИ предсказывала 90 % случаев развития недостаточности кровообращения, причем наступление 81,8 % случаев выявлялось более чем за 2 часа до инцидента [Lizotte, Laber, 2016].
Разработан и протестирован алгоритм ИИ на основе машинного обучения для предсказания трех наиболее характерных осложнений, возникающих после операций на открытом сердце: постоперационного кровотечения с необходимостью оперативной ревизии, почечной недостаточности с необходимостью заместительной почечной терапии, летального исхода. В качестве базовой модели использована рекуррентная нейронная сеть, обученная на данных 47 559 пациентов. Данные включали общие сведения о пациенте, информацию о проведенной операции, газовый состав артериальной крови и другие. Качество построенных моделей сравнивалось по базовым метрикам (точность, чувствительность, полнота и др.) с тремя основными шкалами, используемыми для оценки состояния пациентов:
– клиническое правило послеоперационного кровотечения (Clinical rule for postoperative bleeding, Bojar) – для случая кровотечения;
– упрощенная оценка острого физиологического состояния (Simplifed acute physiology score II, SAPS II) – для летальности;
– заболевание почек: улучшение глобальных результатов (Kidney disease: improving global outcomes, KDIGO) – для почечной недостаточности.
Во всех трех случаях качество прогнозов, даваемых алгоритмами ИИ, оказалось значительно выше. Так, доля правильных ответов возросла не меньше чем на 17 % [Meyer et al., 2018].
John Hopkins Hospital в партнерстве с GE Healthcare Partners создали командный центр госпиталя, который получает информацию о состоянии процессов во всех административных подразделениях, анализирует ее и определяет приоритетные задачи, а также позволяет заранее выявлять возможные риски и предлагать способы их избежать.
Современные системы ИИ решают проблемы медицинской сортировки. Наиболее известные решения для этих целей предлагает Enlitic. ИИ Enlitic Curie сканирует поступающих пациентов, обрабатывая множество клинических данных и определяя приоритет на лечение, после чего сразу же направляет больных к наиболее подходящему врачу-специалисту. Трудно переоценить пользу этих алгоритмов, исключающих из анализа человеческий фактор, ведь они, экономя время, самое драгоценное в ургентной медицине, а также человеческие ресурсы, могут помочь спасти много жизней.
Достижением американских ученых является также разработка микроскопа с ИИ. Такой микроскоп может самостоятельно распознавать патогенные бактерии в образцах крови. Принцип его работы скопирован с механизма функционирования зрительной коры млекопитающих. Перед запуском микроскоп обучают классифицировать бактерии на основе их формы и распределения.
Важное направление использования ИИ в медицине – робототехника. Наиболее перспективным считается не создание полноценных роботов-хирургов, а разработка и внедрение роботов-ассистентов, что позволяет снизить нагрузку на квалифицированных врачей-хирургов, увеличить точность рутинных манипуляций, в первую очередь в микрохирургии.
Перспективным направлением является также назначение лекарственной терапии. Один из подходов, параболическое персонализированное дозирование (PPD), основан на алгебраических уравнениях для связи фенотипа с концентрацией препаратов, например иммунодепрессантов при трансплантации. Путем исследования реакций пациента во время курса лечения по выведенному уравнению создается двумерная парабола, указывающая на следующую дозу, которую должен получить пациент. Данный подход позволяет усовершенствовать стандартное назначение лекарственных препаратов врачом.
Системы ИИ нашли широкое применение и в сфере ухода за пациентами. Например, компания Wellframe предоставляет мобильное приложение Medicare для сиделок и медсестер. Ряд клинических модулей, разработанных на основе доказательной медицины, позволяет специалистам по уходу за пациентами находить индивидуальный подход к каждому. При этом приложение существенно облегчает жизнь не только сиделкам, но и не выходящим из дома пациентам, которые могут пользоваться им самостоятельно. В функционал системы входят, например, напоминания о приеме лекарств, возможность оперативных консультаций с различными специалистами, подбор полезной медицинской литературы. Кроме того, ИИ может успешно участвовать в разработке лекарственных препаратов, в том числе вакцин. Ученые из Университета Флиндерса в Южной Австралии в 2019 г. представили вакцину от гриппа, которая считается первым в мире лекарственным препаратом для человека, полностью разработанным системой ИИ.
Проект Atomwise использует технологию глубокого обучения AtomNet для анализа тысяч молекул и прогнозирования их возможностей по блокированию механизма действия патогена, что позволит создавать новые эффективные лекарственные средства.
С началом пандемии новой коронавирусной инфекции (COVID-19) человечество столкнулось с вызовами и угрозами, на которые сразу откликнулись крупнейшие технологические компании. Подразделение Google DeepMind в 2020 г. разработало и представило AlphaFold – передовую систему, которая предсказывает трехмерную структуру белка на основе его генетической последовательности. В дальнейшем компанией были опубликованы предсказания структуры нескольких недостаточно изученных белков, связанных с SARS-CoV-2 – вирусом, вызывающим COVID-19, чтобы помочь исследовательскому сообществу лучше понять вирус. Хотя это достижение является лишь частью длительного процесса понимания болезней и разработки новых лекарственных препаратов, перепрофилирования существующих, оно должно помочь ускорить решение указанных задач[8]. Технологические гиганты Китая (Alibaba, Baidu, Tencent, Huawei, DiDi) в период пандемии начали активно использовать собственные разработки для диагностики COVID-19 и подбора вакцины.
Появились и другие способы борьбы с COVID-19, основанные на машинном обучении. Например, разработанные датской компанией UVD Robots устройства курсируют вокруг медицинских учреждений, распространяя ультрафиолетовый свет для дезинфекции помещений, зараженных вирусами или бактериями. Компания Shenzhen Micromulticopter в нескольких китайских городах запустила более 100 беспилотных летательных аппаратов, которые способны не только определять температуру, но и распылять дезинфицирующие средства и патрулировать общественные места. Таким образом, ИИ является одним из ключевым звеньев в борьбе с COVID-19.
Приведенные примеры свидетельствуют, что сфера здравоохранения является стратегической для внедрения ИИ, который существенно упростил бы выполнение сначала простых задач, а по мере развития и более комплексных. Помимо частных задач, стоящих перед медицинскими специалистами, ИИ способен помочь и уже помогает решить ряд значимых вызовов для развития системы здравоохранения, а именно проблемы:
– роста числа людей старшего поколения (соответственно увеличения доли хронических заболеваний, требующих системного мониторинга);
– роста расходов на здравоохранение;
– дефицита медицинского персонала.
Так, медицинская страховая компания Medical Mitual в США совместно с компанией Lark Health используют цифровую платформу для персонализированной профилактики и лечения хронических заболеваний, позволяющую сегментировать большие группы пациентов по различным наиболее социально значимым заболеваниям, выявлять риски развития таких заболеваний, обеспечивать коммуникацию медицинских работников и пациентов. Платформа работает на основе использования разговорного ИИ и подключенных мониторов, беспроводных глюкометров, тонометров, позволяющих оказывать помощь в режиме реального времени. Для клиентов страховой компании эти продукты бесплатны. Наблюдение за состоянием здоровья участников программ управления артериальной гипертензией и лечения диабета Lark за шесть недель показало, что большинство пациентов благодаря контролю достигают нормализации уровня глюкозы в крови и артериального давления[9].
В соответствии с прогнозами агентства MarketsandMarkets объем глобального рынка ИИ в здравоохранении вырастет с 6,9 млрд долл. США в 2021 г. до 67,4 млрд долл. США к 2027 г. Среднегодовой рост рынка составляет 46,2 % (рис. 5).
Рис. 5. Прогноз роста рынка ИИ в здравоохранении. Источник: [Artificial intelligence in healthcare market / Markets and Markets. 2021. https://www.marketsandmarkets.com/Market-Reports/artificial-intelligencehealthcare-market-54679303. html (дата обращения: 22.10.2022), 2021].
Для того чтобы ИИ стал полезным практически, требуются огромные массивы данных для его обучения, а также усилия многих практикующих медиков, которые контролируют этот процесс. Для ускорения сбора и обработки данных иногда применяют такой метод, как краудсорсинг – некое виртуальное коллективное экспертное обсуждение проблемы. На информационной платформе собираются эксперты, которые решают задачи ИИ, поставленные коммерческими и общественными организациями. Участники платформы часто мотивированы не вознаграждением, а профессиональным интересом и желанием внести посильный вклад в высокотехнологичное исследование [Гусев, Добриднюк, 2017, с. 88].
Правительства целого ряда государств формируют различные новые правовые режимы для развития ИИ. Так, Южная Корея ввела «демократический» режим для повсеместного внедрения ИИ. Смысл его работы заключается в том, что формируется список запрещенных сфер применения ИИ (похоже на общеразрешительный метод правового регулирования – «разрешено все, что не запрещено»). Все остальное получает временное разрешение. На протяжении всего процесса разработки и внедрения нового высокотехнологичного продукта он проходит несколько проверок, в ходе которых принимается решение о продлении или прекращении такого разрешения. В дальнейшем власти планируют объединить наработанный опыт и создать отраслевые комитеты, которые разработали бы более гибкую законодательную базу в сфере искусственного интеллекта.
В Великобритании Министерство цифрового развития приняло решение о создании Центра этики в сфере данных и инноваций, который выступал бы связующим звеном между разными институтами, ответственными за разработку и внедрение ИИ, в том числе в медицину. Основными функциями Центра будет анализ и прогнозирование ошибок в управлении искусственным интеллектом и его регулировании, которые могут препятствовать этичному и инновационному развитию отрасли; разработка стандартов и кодексов поведения; консультирование правительства по политике и нормативной стратегии.
Тенденции создания профильных органов власти и государственных учреждений следует и Китай. В Пекине для стимулирования развития технологий в 2018–2019 гг. было создано несколько организаций и инфраструктурных объектов: New Generation Artifcial Intelligence Development National Experimental Zone – первая из девяти пилотных зон, ориентированная на создание комфортной среды для кооперации и развития бизнеса, науки, образования, для создания искусственного интеллекта, поддержки молодых талантов в данной сфере. Международный научно-исследовательский центр в сфере ИИ занимается стимулированием фундаментальных исследований и роста новых патентов. Пекинская академия искусственного интеллекта создана ведущими китайскими университетами и лидерами технологического рынка и становится одним из самых мощных мировых корпусов по разработке ИИ – в 2021 г. академия представила новую версию гипермасштабируемой предварительно подготовленной модели глубокого обучения, первой и самой большой в мире. Zhongguancun Park в Китае стал аналогом Кремниевой долины, в нем располагаются 600 китайских и мировых R&D-центров и технологических компаний общей стоимостью около 40,5 млрд долл.
Можно обозначить следующие основные направления использования ИИ в медицине:
1) визуальная диагностика;
2) система поддержки врачебных решений;
3) риск-анализ (многофакторный анализ с поиском возможных отклонений и нарушений, рисков некорректной диагностики или лечения и др.);
4) разработка новых лекарственных препаратов;
5) клинические исследования (испытания);
6) прогноз эпидемий;
7) выполнение медицинских манипуляций;
8) обеспечение организационных процедур (взаимодействие пациентов и врачей, врачей между собой, пациентов и организаций в сфере здравоохранения и др.).
Нужно отметить, что в настоящее время ИИ проник практически в каждую медицинскую специальность. Существенно возросло число исследований, систематических обзоров. Например, согласно опубликованному в 2021 г. систематическому обзору [Переверзев и др., 2021] различные алгоритмы ИИ можно успешно применять для оптимизации прогноза при различных заболеваниях позвоночника (прил. 1). Исследования демонстрируют возможность участия систем ИИ в диагностике и лечении патологии сетчатки [Каталевская и др., 2022]. Современные алгоритмы ИИ обучены анализировать изображения, полученные при помощи цифровых ретинальных фундус-камер, оптических когерентных томографов, ОКТ-ангиографии. Наиболее перспективным направлением является использование алгоритмов ИИ на этапе офтальмологического скрининга пациентов с хроническими заболеваниями, в первую очередь диабетической ретинопатией, диабетическим макулярным отеком и возрастной макулярной дегенерацией, а также в процессе лечения с целью организации персонализированного подхода к ведению пациента.
Проведенные исследования по конкретной медицинской специальности, систематические обзоры позволяют выявить достижения в данной области, возможные пути их применения, а также риски и ограничения.
Практическое использование ИИ и выбор конкретных технологий зависят от специфики различных медицинских специальностей, наиболее актуальных задач совершенствования медицинской помощи по этим направлениям:
1. В сфере лучевой диагностики, патоморфологии, цитологии – автоматизированный контроль качества полученных изображений, приоритизация результатов исследований, выявление признаков патологических процессов, поддержка принятия решений при дифференциальной диагностике, морфометрия; сравнительный анализ исследований, выполненных в динамике; формирование проектов описаний результатов исследований, голосовое заполнение медицинской документации.
2. В дерматологии – обнаружение и классификация злокачественных новообразований кожи.
3. В нейрохирургии, урологии, хирургии – выявление риска осложнений, прогнозирование результатов, система поддержки врачебных решений, роботизированное выполнение инвазивных медицинских вмешательств.
4. В анестезиологии и реаниматологии – система непрерывного мониторинга, прогнозирование состояния пациентов, роботизированное выполнение медицинских вмешательств, содействие в уходе за пациентом.
Всемирной организацией здравоохранения (ВОЗ) отмечен ряд изменений, вызванных использованием технологий на основе ИИ в здравоохранении:
– эволюция роли пациента при оказании медицинской помощи;
– переход от ухода за пациентами в условиях стационара к уходу на дому;
– использование систем ИИ для медицинской деятельности за пределами официальной системы здравоохранения;
– использование технологий на основе ИИ для распределения ресурсов и определения приоритетов [Ethics and governance of artificial intelligence for health: WHO guidance, 2021].
Во-первых, ИИ с помощью виртуальных голосовых помощников и других устройств повышает роль пациентов в первую очередь с хроническими заболеваниями, ограниченными возможностями при обеспечении своевременного приема необходимых лекарственных препаратов, ухода за ранами, соблюдения диеты, физической активности.
Во-вторых, технологии на основе ИИ совместно с возможностями телемедицины, различных датчиков способствуют переходу от ухода за пациентами в условиях стационара к наблюдению на дому. Новая коронавирусная инфекция (COVID-19) способствует ускорению данного перехода.
В-третьих, технологии ИИ, являющиеся по сути медицинскими, все чаще используются организациями, не осуществляющими медицинскую деятельность на законных основаниях. Например, системы ИИ для охраны психического здоровья часто предоставляются через систему образования, социальные сети.
В-четвертых, важной тенденцией становится использование технологий на основе ИИ для распределения ресурсов и определения приоритетов. Прогностические системы оценки уже давно доступны в отделениях интенсивной терапии и реанимации. Технологии ИИ помогают установить, кому из пациентов нужна медицинская помощь в экстренной форме, когда следует прекратить вмешательства, например искусственную вентиляцию легких.
ИИ является компонентом и драйвером цифровизации оказания медицинской помощи, оптимизации управления здравоохранения, формирования новой, «открытой», системы здравоохранения путем поэтапного внедрения:
– цифровизации рутинных процессов при оказании медицинской помощи (диагностических исследований, оплаты услуг, хранения данных и др.);
– отказа от старых моделей в пользу ИИ, мобильных технологий, облачных платформ;
– интеграции цифровых функций и процессов медицинских учреждений и других организаций в системе здравоохранения.
Следует выделить два основных пути использования технологий ИИ в здравоохранении: непосредственно при оказании медицинской помощи и в сопутствующих (вспомогательных) направлениях деятельности. Технологии ИИ в здравоохранении могут использоваться для управления персоналом, повышения уровня сервиса при предоставлении медицинских услуг, создании систем оценки качества медицинской помощи, работе с документами и отчетами, т. е. в деятельности, непосредственно не связанной с диагностикой и лечением заболеваний. Например, система ИИ от MD Analytics помогает в проведении исследования рынка медицинских услуг, определяя оптимальные цены лечения в условиях конкуренции, что позволяет небольшим частным клиникам сэкономить на услугах маркетологов.
Все же наиболее распространенным вариантом является применение программного обеспечения с технологиями ИИ непосредственно для оказания медицинской помощи. В этом случае законодательство относит программное обеспечение к МИ.
В мировом законодательстве (в том числе в отечественном) выделена группа МИ «программное обеспечение, являющееся медицинским изделием, в том числе программное обеспечение с применением технологий искусственного интеллекта». К данной группе относится большинство технологий ИИ в здравоохранении.