Что умеют системы ИИ в медицине?

    Задачи, которые напрямую не связаны с лечением пациентов

    Современные системы искусственного интеллекта уже помогают врачам лечить пациентов. Например, компания HeartFlow, используя снимки КТ, компьютерное моделирование потоков крови и алгоритмы глубокого обучения, умеет строить 3D-карту сердца. Это дает докторам возможность точнее и быстрее диагностировать сердечные заболевания, снижая число необходимых инвазивных процедур на 80%.

    Однако ИИ находит применение и в областях, напрямую не связанных с лечением больного, но все равно влияющих на качество медицинского обслуживания. Об этих, в какой-то степени вспомогательных, но по-прежнему важных задачах, мы сегодня и хотим поговорить.


    «Внимательный доктор приедет, куда удобно вам»

    Маршрутизация в больницах


    Системы искусственного интеллекта и машинное обучение могут помочь не только в постановке диагноза. Например, в конце мая Клиника Университетского колледжа Лондона в Блумсбери (UCLH) объявила, что будет использовать системы ИИ для определения пациентов, которым действительно нужна неотложная медицинская помощь.

    Когда в приемный покой поступает пациент, жалующийся на боль, медперсонал выполнят стандартные процедуры — берет кровь на анализ, собирает анамнез, при необходимости делает рентген. Как отмечают в поликлинике, в 80% случаев у пациентов нет ничего серьезного — им выписывают лекарства и отпускают домой.

    Система искусственного интеллекта позволит быстрее выявлять те самые 20%, которым действительно требуется неотложная помощь. Генеральный директор UCLH в интервью Guardian рассказал, что ПО будет устанавливать пациенту приоритет, оценивая опасность озвученных им симптомов. Например, боль в области живота может означать аппендицит или заболевание почек, поэтому такой человек будет «двигаться» в сторону головы очереди.

    Алгоритмы машинного обучения также способны помочь и с маршрутизацией пациентов и докторов. Например, исследователь и консультант-невролог в Национальном госпитале неврологии и нейрохирургии Великобритании Парашкев Начев (Parashkev Nachev) разработал алгоритм машинного обучения, который анализирует информацию о записях на прием в поликлинику и оценивает вероятность того, что пациент по тем или иным причинам пропустит сеанс МРТ-сканирования. Его система учитывает такие параметры, как возраст человека, его адрес и расстояние до клиники, погодные условия. Пока ученому удалось достичь точности в 85%. Это помогает оперативно перераспределять время записи.

    А в той же UCLH система искусственного интеллекта, которую разрабатывают ученые из Института им. Алана Тьюринга, будет отслеживать, как доктора и пациенты «перемещаются» по госпиталю — какие задачи выполняют, на какие процедуры ходят. Это поможет определять потенциальные «бутылочные горлышки» в организации работы поликлиники — ситуации или места, где потенциально возможны очереди или дефицит оборудования.

    Поиск новых знаний


    Практики лечения, которым следуют врачи, имеют свойство устаревать. Появляются новые методологии, новые исследования и препараты. Еще в 2004 году исследователи изучили содержание 341 медицинского журнала и установили, что в сумме количество ежемесячных публикаций превышало 7 тысяч.

    В идеале врачу необходимо постоянно поддерживать уровень предметных знаний, быть в курсе современных практик лечения — однако изучать весь корпус публикаций, которые регулярно выходят в тематических журналах, практически невозможно — даже если речь идет об узком специалисте.

    Помочь в этой ситуации способны технологии искусственного интеллекта в комбинации с поисковыми системами. Подобное решение разработали ученые из американского исследовательского центра RAND, занимающегося методами анализа стратегических проблем. Они научили систему искать в огромных объемах информации ключевые слова и термины, имеющие отношение к теме запроса.

    Во время тестов этой темой были данные о подагре, низкой плотности костных тканей и остеоартрозе коленного сустава. Алгоритм сумел сократить количество актуальных статей, представляющих интерес для докторов, на 67–83%. По словам разработчиков, система пропустила лишь две статьи, которые были бы отобраны людьми, но ни одна из них не содержала критически важной информации. Точность работы алгоритма машинного обучения составила 96%.

    Разработка лекарств


    Опыт работы фармацевтических компаний показывает, что с момента начала доклинических испытаний до утверждения препарата и лечения пациентов проходит примерно 12 лет. При этом всего 0,1% «препаратов-кандидатов» попадают на клинические тесты. Одобрение получают 20% из них.

    Помочь разрешить эту ситуацию и ускорить выход новых лекарств способны системы искусственного интеллекта. Машинное обучение и системы ИИ находят применение на ранних этапах разработки медицинских препаратов.

    Пример — решение компании AtomWise из Сан-Франциско. Их система называется AtomNet. Она использует методы глубокого обучения, чтобы спрогнозировать, как поведут себя молекулы и с какой вероятностью они будут образовывать необходимые связи.

    Во время обучения разработчики AtomNet «скормили» системе искусственного интеллекта данные о результатах нескольких миллионов уже известных взаимодействий молекул. На основе этих взаимодействий система научилась предсказывать взаимодействия, которые еще не происходили. ПО уже помогло создать препараты для лечения Эболы.

    Системы искусственного интеллекта и машинное обучение помогают врачам и ученым работать эффективнее. Доктора освобождаются от рутинных задач, ученым становится проще проводить исследования, а пациенты быстрее получают лечение.

    Сегодня разработки на стыке ИИ и медицины становятся все более популярными. Например, Google начали отбирать компании, занимающиеся созданием «медицинских» систем искусственного интеллекта, для участия в программе стартап-акселератора Launchpad Studio. В конце прошлого года к проекту присоединились сразу четыре компании.

    Мы в DOC+ тоже занимаемся разработками в этой сфере: развиваем собственную NLP-систему, которая умеет обрабатывать тексты на медицинскую тематику. Она используется в нашем чат-боте — он помогает собрать анамнез, умеет вычленять симптомы заболеваний из жалоб пациента и в структурированном виде передает их доктору.



    Кстати, помимо блога на Хабре мы ведем тематический журнал «Только спросить» — в нем мы рассказываем про современную медицину и здоровье:

    • +12
    • 3,1k
    • 5
    DOC+ 68,88
    Несём здоровье
    Поделиться публикацией
    Комментарии 5
      –1
      Читал что уже сейчас нейросети читают и распознают рентгеновские снимки лучше врачей. Было бы здорово сделать какое-то централизованное API для всех медкарт и исследований граждан, чтобы можно было натравить нейросеть (а лучше разные нейросети от разных команд) и она изучала снимки пациентов, истории болезни, ставила диагнозы (предварительные) и рекомендовала сдачу доп. анализов и возможно даже лечение (естественно под контролем врача).
      Думаю такая нейросеть могла бы много что выявить на начальной стадии, что ускользает от глаза врача.
      В случае успеха услуги обученной сети можно было бы даже экспортировать в другие страны.
        +1
        Разработать бы ИИ способную разбирать почерк врачей в карточках и рентгенах. Вот это ценность была бы для отечественной медицины!

        А если по делу, то действительно мед карты бесконечный набор данных со снимками, наборами симптомов и показателей анализов а затем и диагноз к ним, да еще с привязкой к возрасту, месту жительства и т.п., да вот только вид их настолько неструктурированный, а данных об ошибочности диагнозов настолько нет, что ценность, вероятно, близка к нулевой.

        Интересно, сейчас хотя бы шаги к оцифровыванию таких ценных данных есть?
          0
          DOC+ как раз занимается этой темой. Например, здесь мы рассказали о том, как устроен процесс переноса бумажных архивов на планшеты и смартфоны.
            0
            Ну Франция запустила национальную систему такого плана — SNDS. ИИ там пока нет, но корпус обучения будет достойный.
            0
            Главное — чтобы системы ИИ перед применением были тщательно протестированы, чтобы результатам их работы можно было доверять.

            Только полноправные пользователи могут оставлять комментарии. Войдите, пожалуйста.

            Самое читаемое