За последние годы в России особенно заметен рост в области разработки и внедрения ИИ в здравоохранении. Инвестиции в российские технологии ИИ, по данным экспертов [Гусев, 2023], в 2014–2022 гг. составили 7 % от общего объема инвестиций в отечественное цифровое здравоохранение (MedTech) (рис. 6).
Рис. 6. Инвестиции в российское цифровое здравоохранение в 2014–2022 гг. Составлено по: [Гусев, 2023].
На конец 2022 г. можно отметить более сорока систем ИИ для сферы здравоохранения, созданных и продвигаемых в Российской Федерации (прил. 2). Большинство из них связаны с анализом медицинских изображений с целью установления диагноза, то есть относится к МИ [Гусев, 2023]. При этом в начале 2021 г. были зарегистрированы единичные МИ, являющиеся программным обеспечением с технологией ИИ [Акулин и др., 2021].
Одной из первых отечественных разработок стала система анализа медицинских снимков Botkin. Al (разработчик – ООО «Интеллоджик»). Система в режиме реального времени поддерживает принятие врачебного решения, оказывая помощь в выявлении и описании патологий, в том числе на ранних стадиях (рис. 7).
Рис. 7. Поддержка принятия врачебного решения в режиме реального времени системой ИИ Botkin. AI[10]
Время обработки результатов компьютерной томографии указанной системой составляет до 6 мин, рентгенографии – до 1 мин. Кроме того, система позволяет осуществлять отправку исследований из медицинских организаций врачам второго прочтения, на этом этапе проводить анализ результатов с помощью ИИ, формировать протокол, передавать результаты в медицинские организации. Также возможен ретроспективный анализ (например, пересмотр результатов компьютерной томографии, проведенной в клиниках, оказывавших медицинскую помощь пациентам с новой коронавирусной инфекцией, с целью выявления онкологических заболеваний на ранних стадиях). Проведение в 2021 г. с использованием технологии ИИ целевого ретроспективного анализа 9709 результатов компьютерной томографии органов грудной клетки выявило у 185 пациентов (в 236 изображениях) узловые образования. В 69 % случаев образования были выявлены впервые, верифицированы врачами-специалистами (по результатам анализа снимка с цветовой разметкой подозрительных участков), пациенты направлены на дообследование.
Пример применения ИИ для раннего выявления и коррекции факторов риска сердечно-сосудистых заболеваний – платформа прогнозной аналитики и управления рисками в здравоохранении на основе машинного обучения Webiomed (компания «К-Скай»). Это облачная система, способная получать информацию из различных медицинских информационных систем. Система получает сведения из медицинских электронных карт в автоматическом режиме, включая неструктурированные данные, проводит анализ данных о состоянии здоровья пациентов, применяя различные методы анализа, включая внесенные в нее многочисленные шкалы оценки риска и методы ИИ, использует два подхода к обработке данных: алгоритмический и нейронные сети, что позволяет обработать большие объемы информации в быстром режиме. Полученную информацию алгоритм ИИ направляет врачу – куратору проекта. После сравнения имеющихся ранее данных и полученной новой информации по каждому пациенту специалист дает обратную связь ИИ. Автоматически проанализировав электронную медицинскую карту пациента, система отправляет пакет деперсонифицированных данных в Webiomed через открытые API (Application programming interface) системы. На основании обработанной информации система выявляет факторы риска сердечно-сосудистых заболеваний, автоматически разделяя пациентов на группы, делает предположение о наличии тех или иных заболеваний и дает общую оценку рисков каждого пациента по укрупненным нозологическим группам.
В проведенном исследовании эффективности системы ИИ в практике участкового терапевта использовано 1778 электронных амбулаторных карт взрослых пациентов [Жданова, Рубцова, 2022]. Исследование проведено в четыре этапа. На первом этапе выполнено предварительное «обучение» системы ИИ шкалами оценки риска сердечно-сосудистых заболеваний. Второй этап включал анализ медицинской информации для выявления факторов риска таких заболеваний по шкале относительного риска для пациентов младше 40 лет и по шкале Systematic CОronary Risk Evaluation (SCORE) для пациентов старше 40 лет. На третьем этапе специалист проанализировал имеющуюся ранее и полученную новую информацию о каждом пациенте. По результатам данного этапа были сформированы четыре группы риска сердечно-сосудистых заболеваний (с низким, средним, высоким и очень высоким риском). На четвертом этапе впервые выявленные пациенты с высоким риском, ранее не состоявшие на диспансерном учете, направлены на дополнительное клинико-лабораторное и инструментальное дообследование, консультации специалистов. Система подтвердила очень высокий и высокий риск у 623 человек, которые уже состояли на диспансерном наблюдении. Система ИИ впервые выявила высокий риск сердечно-сосудистых заболеваний у 29 человек трудоспособного возраста (40–50 лет). Эти пациенты были обнаружены по результатам периодических и предварительных медицинских осмотров (35 %), после курса терапии других заболеваний в условиях круглосуточного стационара (31 %), при обращении к узким специалистам (17 %), при оформлении медицинского заключения на вождение транспортного средства (12 %), при получении справки в бассейн (3 %) или на оружие (2 %). С целью подтверждения полученной информации врачом-куратором назначено дообследование пациентов, в результате которого только у одного человека (3 %) была исключена соматическая патология. Эффективность использования программы ИИ составила 97 %.
Среди перспективных отечественных разработок, которые уже доказали свою эффективность, можно назвать Care Mentor AI – разработчика сервисов компьютерного зрения для анализа результатов лучевых методов исследований. Такая технология используется в Едином радиологическом информационном сервисе (ЕРИС) Москвы, к которому подключено диагностическое оборудование 17 медицинских организаций Москвы. Технологии обучены на огромном объеме данных рентгенологических исследований, проверенных профессиональными врачами, и позволяют выявлять такие патологии, как рак легких, туберкулез, пневмония.
Система ИИ Pirogov. AI распознает и анализирует эндоскопические фото- и видеоизображения ЛОР-органов и позволяет существенно увеличить точность постановки диагноза, помогает врачу-специалисту сформировать рекомендации по лечению. Кроме того, ИИ эффективно используется для диагностики риска развития рака молочной железы в Федеральном медицинском биофизическом центре им. Бурназяна ФМБА России.
Центром информационных технологий в проектировании (ЦИТП) РАН совместно с Первым Московским государственным медицинским университетом им. И. М. Сеченова было создано программное обеспечение, выявляющее признаки ранней стадии болезни Альцгеймера. Нейронная сеть способна выявить атрофию гиппокампа у пациентов с деменцией в более 90 % случаев.
Система Via MD компании МДИНК позволяет пациенту онлайн пройти тестирование нарушения речевых, двигательных и когнитивных навыков в результате острого нарушения мозгового кровообращения и других заболеваний, подобрать план реабилитации, персонально тренировать необходимые навыки.
В 2021 г. на новостном канале появилось сообщение о том, что «Билайн» (ПАО «ВымпелКом») и Сеченовский университет будут сотрудничать в области развития информационных технологий для задач медицины[11].
Конечно, ИИ не сможет полностью заменить врача, но это хороший инструмент для выполнения рутинных задач, особенно в удаленных районах страны, где актуальной проблемой остается привлечение квалифицированных кадров, особенно по тем специальностям, по которым возможна помощь ИИ. Например, проведение электрокардиографии в фельдшерско-акушерском пункте с последующей передачей обработанных системой ИИ СберМедИИ данных с «подсказками» о возможной патологии врачу – специалисту стационара позволяет существенно улучшить качество и доступность медицинской помощи.
Пандемия новой коронавирусной инфекции подчеркнула актуальность внедрения ИИ в отечественное здравоохранение.
Российский стартап Simptomio, разрабатываемый студентами Юго-Западного государственного университета, использует технологии машинного обучения для определения возможного заболевания пользователя алгоритма на основе ключевых параметров – роста, веса, вредных привычек и т. д., а также ключевых симптомов, указанных пользователем. Simptomio собирает и обновляет базу из более чем нескольких сотен симптомов, связей между ними и логических цепочек, приводящих к конкретным заболеваниям.
Технологии ИИ, которые использует система Simptomio, позволяют обрабатывать петабайты данных и осуществлять поиск потенциальных взаимосвязей между данными о симптомах и болезнях. В процессе обучения системы входные нейроны получают данные о симптомах пользователя, обрабатывают их на внутреннем слое нейронной сети, анализируют заложенные в систему инструкции и опыт предыдущих логических цепочек и на основе диагнозов делают предположение с точностью до 82 % о заболевании пользователя, сделавшего запрос [Паневин, 2022]. Система реализуется по модели B2B, т. е. предлагает услуги подключения и интеграции в процессы обработки пациентов внутри клиники. Расчеты показали, что использование при работе с посетителем системы самодиагностики Simptomio позволяет сократить время обработки одного посетителя больницы примерно на 35 %, что облегчает нагрузку на врача. Также одной из ключевых ценностных составляющих системы является снижение риска врачебной ошибки путем минимизации человеческого участия.
Пилотирование системы проводилось на логической цепочке выявления заболевания COVID-19 в 2021 г. База данных симптомов составляла более семи биомаркеров, влияющих на риск заболевания, а также более 30 возможных симптомов COVID-19 и 50 логических цепочек. В закрытом тестировании системы приняли участие более 100 человек, научное медицинское сообщество, венчурные инвесторы и бизнес-ангелы. Сегодня продолжается доработка системы.
В последние годы появляются публикации российских ученых, свидетельствующие об активной совместной работе специалистов в области информационных технологий и медицинских работников. В частности, подробно описана система ИИ поддержки принятия решений, специализирующаяся на детекции синусового ритма и мерцательной аритмии при проведении электрокардиографии [Родионов и др., 2022]. Благодаря правильно подобранной архитектуре нейронной сети (U-Net-подобной после модификации), значительному размеру сбалансированной обучающей выборки модель имеет высокую точность при классификации сигнала электрокардиограммы с синусовым ритмом и фибрилляцией предсердий. Алгоритм для анализа результатов холтеровского мониторирования может быть использован для 91 % верных оценок.
Создание МИ с ИИ – это колоссальный труд не только ученых-разработчиков, врачей-специалистов, но и экономистов, PR-менеджеров. Успех того или иного изделия не всегда зависит исключительно от гениальной идеи. С этим столкнулись, например, следующие разработки.
CoBrain-Аналитика – это проект, который предусматривает создание платформы для сбора, хранения, обработки и анализа биомедицинских данных различных типов и форматов, а также разработки и использования приложений поддержки принятия врачебных решений. Проект не сумел сформировать ясное ценностное предложение для собственников данных и для разработчиков алгоритмов, а медицинские учреждения не готовы были предоставить данные для обработки без ясного понимания, что они получат взамен. Клиникам выгоднее иметь локальную инфраструктуру хранения и обработки данных.
«Киберис» задумывался как экспертная система, самостоятельно проводящая диагностику и назначающая лечение пациенту без участия врача. С самого начала эта идея вызывала большие сомнения с точки зрения биомедицинской этики и сформировала негативное отношение у сообщества врачей.
VertebroNavigator – это технология диагностики заболеваний позвоночника с помощью компьютерного зрения. В реальности получилось так, что команда разработчиков не изучила рынок и потенциальную востребованность технологии. Вероятно, было выбрано не очень удачное клиническое применение, в котором врач в реальности не совершает так много ошибок, как утверждал проект.
По мнению представителей IT-компаний, основные разработки в сфере программного обеспечения в здравоохранении ведутся в направлениях роботизированной хирургии, виртуальных и административных медсестер, администрирования процессов, снижения риска ошибки дозирования, клинических испытаний, предварительной диагностики, обработки медицинских изображений [Терентьева, 2021].
Перспективными в ближайшие годы в отечественной медицине могут оказаться следующие сферы использования ИИ:
1. Индивидуальный подбор терапии (системы, подбирающие индивидуальную терапию на основе анамнеза пациента, противопоказаний и разработка тактики лечения).
2. Разработка лекарств (системы, предлагающие новые молекулы на основе исторических данных фармацевтических компаний).
3. Прогноз результатов клинических исследований (системы, предсказывающие результаты клинических исследований на основе исторических данных фармацевтических компаний).