Система поддержки принятия решений
  • 2020 № 1 Жизненный цикл систем поддержки принятия врачебных решений как медицинских технологий

    Системы поддержки принятия врачебных решений (СППВР) можно классифицировать на информационно-
    справочные и интеллектуальные, а последние, в свою очередь, на моделирующие и имитирующие рассуждения. Моделирующие системы основаны на формализованных знаниях экспертов, а имитирующие – на моделях, построенных различными методами многомерного анализа данных, в т.ч. методами машинного обучения. СППВР следует рассматривать как медицинские технологии, следовательно после их разработки должны последовать этапы оценки их аналитической (технической) валидности, а затем (независимо от актуальных регуляторных норм, в соответствии с принципами доказательной медицины) – и клиническая валидация, в ходе которой должны быть получены доказательства эффективности таких систем в улучшении исходов пациентов и их безопасности. После получения таких доказательств может быть проведен клинико-экономический анализ с целью обоснования экономической целесообразности использования СППВР.

    Авторы: Реброва О. Ю. [2]

    Темы: аналитическая валидация1 жизненный цикл1 клинико-экономический анализ1 клиническая валидация1 медицина6 системы поддержки принятия решений2

    Подробнее >

  • Медицинские информационные системы
  • 2019 № 1 Интеллектуальная информационно-аналитическая система Maximus для медицины и здравоохранения

    статье рассмотрены актуальность, назначение, функции и возможности интеллектуальных информационно-аналитических модулей систем управления лечебно-диагностическими процессами на основе использования системы Maximus в региональной сети клиник концерна Нефросовет, а также применительно к медицине и здравоохранению России в целом.Обоснована важность автоматизации сбора информации, начиная от процесса диагностики и лечения и до среднего и верхнего уровней анализа и отчётности. Представлена линейка программных сервисов бизнес-аналитики и системы поддержки принятия решений на примере нефрологической службы с гемодиализом, осложнениями и сопутствующими заболеваниями:
    центр управления процессами, визуальный аналайзер параметров ЛДП и репортинг, аналитический регистр пациентов, диагностическая машина, причинно-следственная модель пациента, программы диагностики и лечения и др. Архитектура системы является сервис-ориентированной, многоплатформенной. Описаны структуры подсистем BI и СППР Maximus, а также архитектура одного из основных сервисов – программ диагностики и лечения. Приведены используемые современные информационные технологии для управления бизнес-процессами, показаны некоторые пользовательские интерфейсы и решения.

    Авторы: Новицкий В. О. [6] Галчёнков А. С. [1] Малкоч А. В. [2] Чемерис А. Н. [1]

    Темы: bi2 data mining3 maximus1 web-сервис1 аналитический регистр1 база данных5 база знаний7 бизнес-процесс4 виджет1 визуальный аналайзер1 витрина1 гемодиализ4 диагностическая машина2 здравоохранение16 интеллектуальная информационно-аналитическая система1 клиника1 контроль1 лечебно-диагностический процесс11 медицина6 национальные клинические рекомендации1 нефрология3 нефросовет1 причинно-следственная модель пациента1 программный модуль1 репортинг1 сервер приложений1 сппр3 субд1 формализация1 хранилище1 центр управления процессами1 эффективность9

    Подробнее >

  • Искусственный интеллект в здравоохранении
  • 2018 № 3 pdf Основные рекомендации к созданию и развитию систем на базе искусственного интеллекта

    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 А. В. [32] Плисс М. А. [2]

    Темы: здравоохранение16 искусственный интеллект13 машинное обучение9 медицина6 нейронные сети11

    Полная версия статьи в формате PDF
    4.6 МБ

    Подробнее >

  • 2019 № 3 pdf Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний

    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 прогнозасердечно-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: Гусев А. В. [32] Новицкий Р. Э. [5] Гаврилов Д. В. [4] Кузнецова Т. Ю. [2] Корсаков И. Н. [1] Серова Л. М. [2]

    Темы: здравоохранение16 искусственный интеллект13 машинное обучение9 медицина6 оценка рисков развития заболеваний1 сердечно-сосудистые заболевания4 факторы риска5

    Полная версия статьи в формате PDF
    3.7 МБ

    Подробнее >

  • 2017 № 3 pdf Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения

    В работе приведен обзор перспектив применения нейронных сетей и глубокого машинного обучения в создании систем искусственного интеллекта для здравоохранения. 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 А. В. [32]

    Темы: здравоохранение16 искусственный интеллект13 машинное обучение9 медицина6 нейронные сети11

    Полная версия статьи в формате PDF
    7.5 МБ

    Подробнее >

  • 2020 № 2 pdf Технологии искусственного интеллекта в медицине и здравоохранении: позиции России на глобальном патентном и публикационном ландшафте

    Представлен обзор мер государственной политики, направленных на развитие технологий искусственного интеллекта (ИИ) в мире и в России. С целью оценить конкурентоспособность отечественных разработок, созданных для использования технологий ИИ в медицине и здравоохранении, выполнен наукометрический и патентный анализ направления за период 2010–2019 гг. На основе анализа фронтов исследований по методологии Essential science indicators выявлены наиболее перспективные на сегодняшний день исследовательские стратегии. Показано, что на глобальном публикационном ландшафте Россия занимает 27-ую позицию в мире по числу публикаций, посвященных применению ИИ в здравоохранении: на долю российских исследователей приходится менее 1% публикаций, проиндексированных в Web of science. Для вхождения в топ 5 стран по публикационной активности в этом тематическом кластере России необходимо увеличить число публикаций более, чем в 6 раз. Из 16 компаний, аффилиации которых указаны в публикациях с участием российских авторов, 13 являются зарубежными. В целом, только 14% публикаций в тематической категории «Сomputer science, artificial intelligence», выполнены в коллаборации с индустриальным сектором.
    На ландшафте, сформированном патентными документами, защищающими технические решения в области ИИ в медицине, Рос сия занимает позиции, не подтверждающие ее намерения вступить в борьбу за перспективные рынки товаров и услуг, созданные на базе этих технологий. В области разработок ИИ медицинского назначения число патентов РФ, выданных нерезидентам страны, существенно превосходит число отечественных правообладателей. Обнаружены всего 12 патентов российских разработчиков технологий ИИ для здравоохранения, выданные зарубежными патентными ведомствами.

    Авторы: Черченко. О. В. [4] Цветкова Л. А. [8] Куракова Н. Г. [14]

    Темы: здравоохранение16 искусственный интеллект13 медицина6 меры  государственной  политики.1 патентная активность2 публикационная активность3 фронты  исследований1

    Полная версия статьи в формате PDF
    5.7 МБ

    Подробнее >