Цифровое здравоохранение
  • 2023 № 10 Chatgpt как один из элементов цифровой медицинской грамотности: трансформация здравоохранения и первичной медико-санитарной помощи.

    Искусственный интеллект (ИИ) играет важную роль в цифровом здравоохранении, включая первичную медико-санитарную помощь, и значительный вклад в этот прогресс вносят большие языковые модели. ChatGPT – новейшая языковая модель – вызвал интерес в мировом сообществе, в том числе в сфере здравоохранения, и привлек внимание к исследованию больших языковых моделей с точки зрения их полезности и безопасности практического использования. Эта статья исследует роль ChatGPT как инструмента повышения цифровой медицинской грамотности, оценивая его преимущества и потенциальные риски в контексте современного здравоохранения и первичной медико-санитарной помощи.
    Цель исследования: оценить потенциальные преимущества и вызовы интеграции ChatGPT в систему здравоохранения, в том числе первичную медико-санитарную помощь, как элемента цифровой медицинской грамотности.
    Материалы и методы. Проведен систематический поиск в PubMed/MEDLINE и Google Scholar.
    Результаты. В ходе данного исследования обнаружены опасения относительно использования ChatGPT. Эти опасения включают этические вопросы, прозрачность и юридические аспекты, риск предвзятости, неправильных цитат, безопасности информации.
    Выводы. ChatGPT представляет собой ценный инструмент для повышения цифровой медицинской грамотности и внедрение может привести к кардинальным изменениям в медицинском образовании, научных исследованиях и практическом здравоохранении, однако его использование должно осуществляться с осторожностью: требуется сотрудничество регулирующих органов государственной власти всех стран мира. Такой подход позволит разработать правовые нормы, регламентирующие этический кодекс, которые станут основой «ответственного» использования ChatGPT и других моделей на основе ИИ в сфере медицинского образования, научных исследований и практического здравоохранения.

    Авторы: Вошев Д. В., Вошева Н. А.

    Темы: chatgpt1 ЦИФРОВОЕ ЗДРАВООХРАНЕНИЕ1 большие языковые модели1 искусственный интеллект8 первичная медико-санитарная помощь22 цифровая медицинская грамотность2

    Подробнее >

  • 2023 № 8 Первые 10000 маммографических исследований, выполненных в рамках ус- луги «Описание и интерпретация данных маммографического исследования с использованием искусственного интеллекта».

    Актуальность. Технологии искусственного интеллекта имеют огромный потенциал для повышения эффективности скрининговых программ по выявлению злокачественных новообразований молочной железы. Учитывая высокую социальную, демографическую и экономическую значимость массовых профилактических исследований, не подлежит сомнению тот факт, что диагностическая точность искусственного интеллекта должна соответствовать точности врачей-рентгенологов или даже превышать ее. В связи с этим необходимы исследования, посвященные сравнению точности программного обеспечения на основе технологии искусственного интеллекта и врачей-рентгенологов на потоке при проведении маммографических исследований.
    Цель: оценить качество оказания медицинской услуги «Описание и интерпретация данных маммографического исследования с использованием искусственного интеллекта» в рамках скрининга.
    Материал и методы. Выборка для анализа состояла из 9684 цифровых маммографических исследований. Для каждого исследования категория BI-RADS определялась врачом-рентгенологом и с помощью программного обеспечения на основе технологий искусственного интеллекта (ПО на основе ТИИ), зарегистрированного в РФ в качестве медицинского изделия. 45 исследований из этой выборки со значимыми расхождениями в оценке врача и ПО подверглись экспертному аудиту, в результате которого была выставлена категория BI-RADS по мнению врача-эксперта.
    Результаты. При оценке средневзвешенных значений статистически значимых различий между результатами врача и ПО на основе ТИИ для 9684 цифровых маммографических исследований не наблюдалось. Оценка согласованности врача и ПО показала, что совпадения наблюдаются в 43,89% случаев для шкалы BI-RADS и в 80,69% – 84,10% для бинарных шкал. Наличие случая, при котором патология, определенная с помощью ПО и подтвержденная при пересмотре результатов экспертом, была пропущена врачом, говорит о перспективности использования ПО на основе ТИИ для оценки маммографических исследований и требует проведения дальнейших исследований.
    Заключение. При оценке маммографических исследований согласованность между решением на основе ТИИ и врачом-рентгенологом, достигает 84,10%, при этом ПО чаще присваивает более высокую категорию BI-RADS. Экспертный пересмотр части этих расхождений показал потенциальное снижение количества пропусков злокачественных новообразований молочных желез с помощью ПО.

    Авторы: Васильев Ю. А., Владзимирский А. В., Арзамасов К. М., Шулькин И. М., Аксенова Л. Е., Пестренин Л. Д., Семенов С. С., Бондарчук Д. В., Смирнов И. В.

    Темы: диагностическая точность1 искусственный интеллект8 маммография1 профилактические исследования1

    Подробнее >

  • Менеджмент в здравоохранении
  • 2023 № 9 Популяционное исследование эмфизематозных изменений легких у населения г. Москвы методом автоматизированного анализа результатов лучевых исследований.

    А к т у а л ь н о с т ь . Эмфизема, часто развивающаяся у пациентов с хронической обструктивной болезнью легких (ХОБЛ), ухудшает течение хронических заболеваний сердечно-сосудистой и эндокринной систем, а также ассоциируется с повышенным риском развития злокачественных новообразований легких. Изучение заболеваемости ХОБЛ осуществляется системно, однако анализ распространенности в популяции именно эмфиземы не осуществляется. Одним из способов оценки ее распространенности может стать автоматизированный анализ КТ органов грудной клетки с помощью технологий искусственного
    интеллекта.
    Ц е л ь : изучить распространенность эмфиземы у населения г. Москвы на основе автоматизированного анализа результатов лучевых исследований.
    М е т о д ы . Проанализированы результаты КТ органов грудной клетки 116216 пациентов. Все исследования были выполнены за период октябрь 2022 г. – июнь 2023 г. в медицинских организациях города Москвы. В автоматизированном режиме ИИ-сервис «Emphysema-IRA» (ООО «Интеллиджент радиолоджи ассистанс лабораторис (АЙРА Лабс) ») определял факт наличия эмфизематозных изменений легких (бинарная оценка – да/нет), а также – процент эмфизематозного поражения в обоих легких и отдельно по каждому легкому.
    Р е з у л ь т а т ы . Распространенность эмфиземы легких среди населения г. Москвы составила 0,614 на 1000 человек, распространенность клинически значимой эмфиземы – 0,173 на 1000 человек. Большинство лиц, у которых при КТ-исследованиях выявлена эмфизема, в том числе клинически значимая, относятся к группе пожилого возраста (47,0% и 55,0% соответственно), также значителен удельный вес лиц молодого возраста (9,0% и 5,0%). У мужчин во всех возрастных группах частота выявления эмфиземы статистически значимо выше, чем у женщин (Хи-квадрат=1000,0; р<0,001). Вне зависимости от пола, увеличение возраста на 5 лет в 1,1 раза увеличивает вероятность наличия эмфиземы, в том числе клинически значимой.
    В ы в о д ы . Автоматизированное выявление признаков эмфиземы легких на КТ позволяет проводить быструю, массовую и объективную оценку распространенности хронической обструктивной болезни легких в популяции. Благодаря развитию медицинского программного обеспечения на основе искусственного интеллекта появилась возможность разработки и внедрения принципиально новых цифровых технологий управления здравоохранением и изучения общественного здоровья.

    Авторы: Васильев Ю. А., Гончарова И. В., Владзимирский А. В., Арзамасов К. М., Пестренин Л. Д.

    Темы: искусственный интеллект8 компьютерная томография2 оппортунистический скрининг1 эмфизема1

    Подробнее >

  • Информационный менеджмент
  • 2021 № 8 Эволюция информационных систем.

    В медицинских организациях информационные системы решают следующие задачи: возможность получения и хранения информации, быстрый доступ к ней и ее передача, возможность генерировать различные отчеты, наличие специализированных рабочих мест медицинских работников и др. Информационные системы постепенно эволюционируют, превращаясь из инструмента способного решать простейшие задачи управления, в инструмент, способный решать весь спектр задач управления, встречаемый в практике работы медицинской организации на всех уровнях управления.
    Цель исследования – описание четырех этапов создания информационных систем, выделение характерных особенностей функционирования информационных систем на каждом этапе, а также выделение перечня основных задач управления, разработка которых ведется на выделенном этапе и способов их решения. Основное внимание уделялось вопросам развития информационных систем медицинских организаций, работающих с детским населением.
    Результаты. Первый этап разработки информационных систем начался с момента применения компьютерной техники в практике работы медицинских организаций и сводился к тому, что программисты как медицинских, так и сторонних организаций начали разрабатывать задачи, совокупность которых в дальнейшем получила название «создание информационной системы» медицинской организации. Цель второго этапа – это уже преобразование информационных систем медицинских организаций для того, чтобы производственные процессы описать в терминах процессного подхода и реализовать в виде программных модулей. Третий этап построения информационных систем – это этап описания работы медицинской организации на основе математических моделей с целью обоснования оптимального решения производственных задач, имеющихся в ней. Четвертый этап построения информационных систем – это построение «информационной системы, реализующей функции интеллектуальной системы управления медицинской организацией». Авторами статьи даются рекомендации по формализации информации, имеющейся в медицинской организации с целью ее эффективного использования искусственным интеллектом.
    Выводы. Таким образом, информационная система – это инструмент решения задач управления; ее разработка как инструмента решения задач управления требует знания теории управления, теории организации, процессного подхода в управлении, методов многомерного статистического анализа и методов моделирования, языков и методов моделирования на основе нейронных сетей.

    Авторы: Чолоян С. Б., Екимов А. К., Байгазина Е. Н., Молодцов Н. С., Калинина Е. А., Поснов А. А.

    Темы: информационная система4 искусственный интеллект8 математические модели1 медицинская организация67 нейронные сети2 процессный подход7

    Подробнее >

  • Информатизация здравоохранения
  • 2023 № 4 Основополагающие принципы стандартизации и систематизации информации о наборах данных для машинного обучения в медицинской диагностике

    О б о с н о в а н и е : Активное внедрение технологий искусственного интеллекта в сферу здравоохранения, которое мы наблюдаем в последние годы, способствует резкому росту количества медицинских данных, собираемых для разработки моделей машинного обучения, в том числе данных лучевой и инструментальной диагностики. Для решения различных задач в области цифровых медицинских технологий посредством алгоритмов машинного обучения создаются все новые и новые наборы данных, поэтому становятся актуальными проблемы их систематизации и стандартизации, хранения, доступа, рационального
    и безопасного использования.
    Ц е л ь : разработка подхода к систематизации и стандартизации информации о наборах данных для решения вопросов представления, хранения, применения и оптимизации использования наборов данных и обеспечения безопасности и прозрачности процессов разработки и испытаний медицинских изделий с использованием искусственного интеллекта.
    М е т о д ы : анализ собственного и мирового опыта по созданию и использованию медицинских наборов данных, поиск и анализ медицинских справочников, разработка и обоснование структуры реестра, поиск научных публикаций с ключевыми словами «наборы данных», «реестр медицинских данных», размещенных в реферативных базах данных РИНЦ, Scopus, Web of Science.
    Р е з у л ь т а т ы . Разработана структура реестра наборов данных в медицинской инструментальной диагностике с разделами, отражающими информацию по всем этапам формирования и использования наборов данных для машинного обучения: 7 параметров на этапе инициирования, 8 – на этапе планирования, 70 – карточка набора данных, 1 – смена версии, 14 – на этапе использования, всего – 100 параметров. В работе предлагается классификация наборов данных по цели их создания, классификация методов верификации данных, а также принципы формирования названий для стандартизации и наглядности представления наборов данных. Кроме того, освещены основные особенности организации ведения данного реестра: управление, качество данных, конфиденциальность и безопасность.
    В ы в о д ы . Впервые предлагается оригинальная технология структуризации и систематизации управления медицинскими наборами данных для инструментальной диагностики, в основу которой положены разработанная терминология и принципы классификации информации, что позволяет стандартизировать структуру информации о наборах данных для машинного обучения, обеспечивает централизацию хранения, удобный и быстрый доступ ко всей информации о наборе данных, а также прозрачность, надежность и воспроизводимость результатов в сфере искусственного интеллекта. Создание реестра дает возможность оперативно формировать наглядные библиотеки данных, позволяя обширному кругу исследователей, разработчиков и компаний выбирать наборы данных для своих задач, что обеспечивает их широкое использование, оптимизацию ресурсов и способствует быстрому развитию и внедрению искусственного интеллекта.

    Авторы: Васильев Ю. А., Бобровская Т. М., Арзамасов К. М., Четвериков С. Ф., Владзимирский А. В., Омелянская О. В., Андрейченко А. Е., Павлов Н. А., Анищенко Л. Н.

    Темы: библиотеки наборов данных для машинного обучения1 искусственный интеллект8 машинное обучение4 набор данных1 реестр1

    Подробнее >

  • 2023 № 7 Применение технологий искусственного интеллекта как способ обеспечения качества выполнения рентгенографии органов грудной клетки.

    При выполнении рентгенографических исследований могут возникать ошибки, снижающие диагностическую ценность полученных изображений и затрудняющие их интерпретацию как врачом-рентгенологом, так и диагностическим программным обеспечением на основе технологии искусственного интеллекта. Создание автоматизированных систем оценки качества позволит оптимизировать данный процесс, особенно в условиях повышенной рабочей нагрузки медицинского персонала.
    Цель исследования: разработка инструмента автоматизированного контроля качества рентгенологических исследований органов грудной клетки, позволяющего провести контроль качества укладки и позиционирования пациента и корректность заполнения метаинформации об исследовании.
    Материал и методы. Для обучения и тестирования моделей автоматизированного контроля качества были использованы 61505 рентгенограмм органов грудной клетки (РГ ОГК), полученные из открытых наборов данных и Единого радиологического информационного сервиса Единой медицинской информационно-аналитической системы города Москвы. Для создания моделей применялось трансферное обучение глубоких нейросетевых архитектур VGG19 и ResNet152V2.
    Результаты. Были созданы 7 моделей: модель определения анатомической области исследования, модель определения проекции, модель определения фотометрической интерпретации, модели определения неполной визуализации анатомической области на прямой и боковой проекциях РГ ОГК, модель определения ротации на боковой проекции РГ ОГК. Все созданные модели имеют метрики диагностической точности выше 95%, что позволяет использовать их в клинической практике. На основе разработанных моделей был создан единый web-инструмент контроля качества РГ ОГК, позволяющий анализировать качество наборов данных рентгенограмм.
    Выводы. Активное использование разработанного нами инструмента позволит оптимизировать процесс оценки качества диагностических исследований и облегчить процессы классификации исследований и формирования наборов данных. Также данный инструмент может использоваться для поддержки принятия решения рентгенолаборанта и оценки качества исследования перед отправкой исследования на обработку сервисам на базе искусственного интеллекта.

    Авторы: Борисов А. А., Васильев Ю. А., Владзимирский А. В., Омелянская О. В., Арзамасов К. М., Кирпичев Ю. С.

    Темы: глубокое обучение1 искусственный интеллект8 контроль качества3 рентгенограммы органов грудной клетки1

    Подробнее >

  • 2023 № 6 Опыт применения технологий искусственного интеллекта для развития профилактического здравоохранения на примере Кировской области.

    Здравоохранение является одной из приоритетных отраслей для практического применения систем искусственного интеллекта (ИИ). В 2018 г. в Кировской области было принято решение запустить собственный региональный проект внедрения технологий ИИ с целью получения практического опыта и понимания особенностей, преимуществ и барьеров применения ИИ. В качестве приоритетного направления было выбрано совершенствование профилактической медицины. В качестве базового программного продукта была выбрана российская платформа прогнозной аналитики Webiomed. Реализация проекта включала 3 этапа: пилотную апробацию в 2019–2020 гг., промышленную эксплуатацию в режиме «второго мнения» в 2021–2022 гг. и внедрение в режиме цифрового помощника, запущенное в 2023 г. В результате реализации 1го и 2го
    этапов проекта удалось доказать, что главным преимуществом ИИ при анализе больших медицинских данных является автономная и высокая точность интерпретации имеющейся в ней информации. ИИ-система способна самостоятельно извлекать из электронных медицинских карт необходимые для анализа данные, сопоставлять их с данными прошлых периодов, оценивать динамику изменения показателей здоровья, выявлять появление опасных тенденций и факторов риска. Все вместе это позволяет формировать так называемые «цифровые профили» пациентов, которые в свою очередь представляют из себя ценный ресурс для поддержки принятия управленческих и клинических решений.

    Авторы: Курдюмов Д. А., Кашин А. В., Рябов Н. Ю., Новицкий Р. Э., Гусев А. В.

    Темы: большие данные2 здравоохранение40 искусственный интеллект8 кировская область1 машинное обучение4 оценка рисков1 прогнозная аналитика1 профилактическая медицина1

    Подробнее >

  • Вопросы и ответы
  • 2022 № 2 Вопросы информатизации здравоохранения

    В предлагаемом материале представлен анализ изменений требований к единой государственной информационной системе в сфере здравоохранения в связи с принятием нового постановления Правительства РФ, регламентирующего эту сферу.
    Проведен анализ причин и последствия наиболее значимых изменений в регулировании информатизации здравоохранения.

    Авторы: Чилилов А. М.

    Темы: информатизация здравоохранения6 информационные системы3 искусственный интеллект8 электронная медицинская карта6 электронные документы1

    Подробнее >