Искусственный интеллект в сфере здравоохранения

Искусственный интеллект в сфере здравоохранения — это применение искусственного интеллекта (ИИ) для анализа и интерпретации сложных медицинских и биомедицинских данных. В ряде случаев ИИ может дополнять или превосходить возможности человека, предлагая более эффективные или быстрые методы диагностики, лечения и профилактики заболеваний [1] [2] [3] . Применение искусственного интеллекта в медицине сравнительно ново, исследования в этой области продолжаются и охватывают различные медицинские специальности и смежные отрасли. ИИ применяется в задачах диагностики, разработки протоколов лечения [4] , разработки новых препаратов, персонализированной медицины [5] , мониторинга пациентов и организации ухода [6] . Особое значение имеет потенциал ИИ в обработке и интерпретации рентгеновских снимков, как наиболее часто выполняемых исследований в радиологии [7] . Использование искусственного интеллекта в здравоохранении сопровождается новыми этическими вызовами, связанными с защитой данных пациентов, автоматизацией профессий и усилением уже существующих алгоритмических предвзятостей [8] . Новые технологии зачастую встречают сопротивление со стороны руководителей медицины, что приводит к замедленной и неравномерной интеграции. Известны случаи использования ИИ без достаточного тестирования [9] [10] [11] [12] . Систематический обзор 2023 года показал, что большинство заинтересованных сторон — профессионалов, пациентов и общественности — сомневаются в способности ИИ к эмпатии в медицинской помощи. Также выявлено, что научная литература по ИИ в медицине часто страдает недостаточной воспроизводимостью [13] [14] [15] .

История

• рост вычислительных мощностей;
• развитие IT-инфраструктуры здравоохранения (ЭМК — электронной медицинской карты);
• совершенствование методов обработки естественного языка и компьютерного зрения;
• развитие геномных и биобанковских данных.

Показать полностью

Технические особенности

ИИ интегрируется в большинство этапов медицинской помощи: диагностику (анализ ЭМК и изображений), мониторинг и уход за пациентами, фармаконадзор, организацию труда медицинского персонала, сопровождение пациентов с хроническими заболеваниями и др.

Степень автоматизации технологий ИИ колеблется от систем поддержки принятия врачебных решений до полностью автономных решений, применяемых, например, в медицине катастроф или телемедицине.

Реализации ИИ используют машинное обучение, глубокие нейронные сети, алгоритмы обработки естественного языка для понимания и обобщения информации из медицинских документов, изображений, генетических и других биомедицинских данных.

Показать полностью

Алгоритмы и реализации

Наиболее распространены следующие алгоритмические подходы:

• Обработка естественного языка — для анализа неструктурированных медицинских текстов [22] .
• Глубокое обучение и свёрточные нейронные сети — для анализа изображений (рентгенограммы, КТ, МРТ, фотографии кожных заболеваний) [23] .
• Система поддержки принятия решений, основанная на правилах — для диагностических и рекомендательных задач.
• Генеративные состязательные сети — для синтеза изображений, дообучения и прогноза исходов заболеваний.
• Алгоритмы поиска ассоциативных правил — для выявления взаимодействий между лекарствами и предсказания побочных эффектов.
• Предиктивное моделирование — для прогнозирования индивидуальной эффективности терапии, риска обострений и длительных исходов.

Показать полностью

Преимущества и недостатки

• Сокращение времени на диагностику, обработку больших объёмов информации [24] .
• Рост точности диагностики, снижение числа диагностических ошибок [25] .
• Возможность индивидуализации лечения (персонализированная медицина).
• Оптимизация административных процессов в клинике.
• Мониторинг хронических больных и удалённые консультации (телемедицина).

Ограничения и недостатки:

• Этические и правовые риски, связанные с защитой персональных данных, прозрачностью работы и объяснимостью решений ИИ [26] .
• Риск технологической безработицы для административного и среднего медицинского персонала [27] .
• Уязвимость к «алгоритмическому смещению», если в обучающих данных недостаточно представлены отдельные группы пациентов [28] .
• Низкая воспроизводимость и недостаточность клинических исследований по ряду технологий ИИ [29] .
• Ограниченная обобщаемость моделей, обученных на однородных наборах данных [30] .