Применение искусственного интеллекта в медицине: достижения и перспективы. Обзор литературы. Часть 1

Обложка


Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Системы оказания медицинской помощи многих стран с невероятной быстротой видоизменяются под давлением инновационных цифровых платформ, приобретших популярность под названиями «искусственный интеллект» (англ. «artificial intelligence», AI) и «машинное обучение» (англ. «machine learning»)». Оперирующие собираемыми отовсюду массивами данных, системы AI способны гарантированно обеспечить принятие оптимальных решений ключевым игрокам отрасли здравоохранения, начиная от гигантов фармацевтической индустрии и заканчивая самыми мелкими поставщиками медицинских услуг. В статье представлены достижения и перспективы использования инновационных цифровых технологий и платформ в современном здравоохранении. По сведениям международных экспертов, в медицине возможно автоматизировать 36% функций, прежде всего на уровнях сбора и анализа данных, а применение технологий AI способно значительно увеличить валовую прибыль фирм и организаций, связанных с медицинской деятельностью. Основной мотивацией для проникновения AI в систему здравоохранения служат перманентный рост затрат и острая необходимость в их ограничении, а также проблема некачественной диагностики (до 30% проводящихся исследований на поверку оказываются недостоверными либо неверно интерпретируемыми) и стремление к стандартизации и автоматизации рутинных функций вплоть до создания самоуправляемых диагностических моделей. Вместе с тем самая большая проблема для AI в здравоохранении заключается не в том, будут ли эти технологии достаточно полезными, а в том, чтобы обеспечить их быстрое и эффективное внедрение в повседневную клиническую практику.

Полный текст

Доступ закрыт

Об авторах

Виталий Анатольевич Бердутин

Приволжский окружной медицинский центр

Email: vberdt@gmail.com
ORCID iD: 0000-0003-3211-0899
SPIN-код: 8316-7111

к.м.н.

Россия, Нижний Новгород

Ольга Петровна Абаева

Первый Московский государственный медицинский университет им. И.М. Сеченова (Сеченовский Университет)

Автор, ответственный за переписку.
Email: abaevaop@inbox.ru
ORCID iD: 0000-0001-7403-7744
SPIN-код: 5602-2435

д.м.н., доцент

Россия, Москва

Татьяна Евгеньевна Романова

Первый Московский государственный медицинский университет им. И.М. Сеченова (Сеченовский Университет)

Email: romanova_te@mail.ru
ORCID iD: 0000-0001-6328-079X
SPIN-код: 4943-6121

к.м.н.

Россия, Москва

Сергей Владимирович Романов

Приволжский окружной медицинский центр

Email: pomcdpo@mail.ru
ORCID iD: 0000-0002-1815-5436
SPIN-код: 9014-6344

д.м.н., доцент

Россия, Нижний Новгород

Список литературы

  1. Benjamens S., Dhunnoo P., Mesko B. The state of artificial intelligence-based FDA-approved medical devices and algorithms: an online database // NPJ Digit Med. 2020. N. 3. P. 118. doi: 10.1038/s41746-020-00324-0
  2. Clarke R. Regulatory alternatives for AI // Computer Law & Security Review. 2019. N. 35. P. 398–409. doi: 10.1016/j.clsr.2019.04.008
  3. Coeckelbergh M. Health care, capabilities, and AI assistive technologies // Ethical Theory Moral Pract. 2010. N. 13. P. 181–190.
  4. Greco L., Percannella G., Ritrovato P., et al. Trends in IoT based solutions for health care: moving AI to the edge // Pattern Recognit Lett. 2020. N. 135. P. 346–353. doi: 10.1016/j.patrec.2020.05.016
  5. Mauro A.D., Greco M., Grimaldi M. A formal definition of big data based on its essential features // Library Review. 2016. Vol. 65, N 3. P. 122–135. doi: 10.1108/LR-06-2015-0061
  6. Ardan M., Ferry F., Rahman G.B.G. The influence of physical distance to student anxiety on COVID-19, Indonesia // Journal of Critical Reviews. 2020. N. 7. P. 1126–1132.
  7. Doyle-Lindrud S. The evolution of the electronic health record // Clin J Oncol Nurs. 2015. Vol. 19, N 2. P. 153–154. doi: 10.1188/15.CJON.153-154
  8. Reddy S., Allan S., Coghlan S., Cooper P. A governance model for the application of AI in health care // J Am Med Inform Assoc. 2020. Vol. 27, N 3. P. 491–497. doi: 10.1093/jamia/ocz192
  9. Cruz Rivera S., Liu X., Chan A.W., et al. Guidelines for clinical trial protocols for interventions involving artificial intelligence: the SPIRIT-AI extension // Nat Med. 2020. Vol. 26, N 9. P. 1351–1363. doi: 10.1038/s41591-020-1037-7
  10. Gubbi J., Buyya R., Marusic S., Palaniswami M. Internet of Things (IoT): a vision, architectural elements, and future directions // Future Generation Computer Systems. 2013. Vol. 29, N 7. P. 1645–1660. doi: 10.1016/j.future.2013.01.010
  11. Gopal G., Suter-Crazzolara C., Toldo L., Eberhardt W. Digital transformation in healthcare — architectures of present and future information technologies // Clin Chem Lab Med. 2019. Vol. 57, N 3. P. 328–335. doi: 10.1515/cclm-2018-0658
  12. Guan J. Artificial intelligence in healthcare and medicine: promises, ethical challenges and governance // Chin Med Sci J. 2019. Vol. 34, N 2. P. 76–83. doi: 10.24920/003611
  13. Beede E., Baylor E., Hersch F., et al. A human-centered evaluation of a deep learning system deployed in clinics for the detection of diabetic retinopathy. Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems; 2020 Apr 25–30; Honolulu, HI, USA. P. 1–12. doi: 10.1145/3313831.3376718
  14. Gulshan V., Peng L., Coram M., et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs // JAMA. 2016. Vol. 316, N 22. P. 2402–2410. doi: 10.1001/jama.2016.17216
  15. Koushik C.S.N., Choubey S.B., Choubey A. Chapter 7 — Application of virtual reality systems to psychology and cognitive neuroscience research. Sinha G.R., Suri J.S., editors. Cognitive informatics, computer modelling, and cognitive science. JSBT-CI: Academic Press, 2020. P. 133–147. doi: 10.1016/C2018-0-05313-X
  16. Ngiam K.Y., Khor I.W. Big data and machine learning algorithms for health-care delivery // Lancet Oncol. 2019. Vol. 20, N 5. P. e262–e273. doi: 10.1016/S1470-2045(19)30149-4
  17. Yin Y., Zeng Y., Chen X., Fan Y. The internet of things in healthcare: an overview // Journal of Industrial Information Integration. 2016. N. 1. P. 3–13. doi: 10.1016/j.jii.2016.03.004
  18. Zaharia M., Xin R.S., Wendell P., et al. Apache Spark: a unified engine for big data processing // Communications of the ACM. 2016. Vol. 59, N 11. P. 56–65. doi: 10.1145/2934664
  19. Saouabi M., Ezzati A. A comparative between hadoop mapreduce and apache Spark on HDFS. Proceedings of the 1st international conference on internet of things and machine learning; 2017 Oct 17; Liverpool: ACM, 2017. P. 1–4. doi: 10.1145/3109761.3109775
  20. Wiens J., Saria S., Sendak M., et al. Do no harm: a roadmap for responsible machine learning for health care // Nat Med. 2019. Vol. 25, N 9. P. 1337–1340. doi: 10.1038/s41591-019-0548-6
  21. Pee L.G., Pan S.L., Cui L. Artificial intelligence in healthcare robots: a social informatics study of knowledge embodiment // Journal of the Association for Information Science and Technology. 2019. N. 70. P. 351–369. doi: 10.1002/asi.24145
  22. Akmal A., Greatbanks R., Foote J. Lean thinking in healthcare — findings from a systematic literature network and bibliometric analysis // Health Policy. 2020. Vol. 124, N 6. P. 615–627. doi: 10.1016/j.healthpol.2020.04.008
  23. Centers for Medicare & Medicaid Services (CMS), HHS. Medicare Program; Hospital Inpatient Prospective Payment Systems for Acute Care Hospitals and the Long-Term Care Hospital Prospective Payment System and Policy Changes and Fiscal Year 2019 Rates; Quality Reporting Requirements for Specific Providers; Medicare and Medicaid Electronic Health Record (EHR) Incentive Programs (Promoting Interoperability Programs) Requirements for Eligible Hospitals, Critical Access Hospitals, and Eligible Professionals; Medicare Cost Reporting Requirements; and Physician Certification and Recertification of Claims. Final rule // Fed Regist. 2018. Vol. 83, N 160. P. 41144–41784.
  24. Triantafyllidis A.K., Tsanas A. Applications of machine learning in real-life digital health interventions: review of the literature // J Med Internet Res. 2019. Vol 21, N 4. P. e12286. doi: 10.2196/12286
  25. Nimri R., Battelino T., Laffel L.M., et al. Insulin dose optimization using an automated artificial intelligence-based decision support system in youths with type 1 diabetes // Nat Med. 2020. Vol. 26, N 9. P. 1380–1384. doi: 10.1038/s41591-020-1045-7
  26. Kanagasingam Y., Xiao D., Vignarajan J., et al. Evaluation of artificial intelligence-based grading of diabetic retinopathy in primary care // JAMA Netw Open. 2018. Vol. 1, N 5. P. e182665. doi: 10.1001/jamanetworkopen.2018.2665
  27. Hannun A.Y., Rajpurkar P., Haghpanahi M., et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network // Nat Med. 2019. Vol. 25, N 1. P. 65–69. doi: 10.1038/s41591-018-0268-3
  28. Lin H., Li R., Liu Z., et al. Diagnostic efficacy and therapeutic decision-making capacity of an artificial intelligence platform for childhood cataracts in eye clinics: a multicentre randomized controlled trial // EClinicalMedicine. 2019. N. 9. P. 52–59. doi: 10.1016/j.eclinm.2019.03.001
  29. Liu X., Rivera S.C., Moher D., et al. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension // BMJ. 2020. N. 370. P. m3164. doi: 10.1136/bmj.m3164
  30. Gong D., Wu L., Zhang J., et al. Detection of colorectal adenomas with a real-time computer-aided system (ENDOANGEL): a randomised controlled study // Lancet Gastroenterol Hepatol. 2020. Vol. 5, N 4. P. 352–361. doi: 10.1016/S2468-1253(19)30413-3
  31. Esteva A., Kuprel B., Novoa R.A., et al. Dermatologist-level classification of skin cancer with deep neural networks // Nature. 2017. Vol. 542, N 7639. P. 115–118. doi: 10.1038/nature21056
  32. Chen K.C., Calzone L., Csikasz-Nagy A., et al. Integrative analysis of cell cycle control in budding yeast // Mol Biol Cell. 2004. Vol. 15, N 8. P. 3841–3862. doi: 10.1091/mbc.e03-11-0794
  33. Kiani A., Uyumazturk B., Rajpurkar P., et al. Impact of a deep learning assistant on the histopathologic classification of liver cancer // NPJ Digit Med. 2020. N. 3. P. 23. doi: 10.1038/s41746-020-0232-8
  34. Rajpurkar P., Irvin J., Ball R.L., et al. Deep learning for chest radiograph diagnosis: a retrospective comparison of the CheXNeXt algorithm to practicing radiologists // PLoS Med. 2018. Vol. 15, N 11. P. e1002686. doi: 10.1371/journal.pmed.1002686
  35. Le Douarin Y., Traversino Y., Graciet A., et al. Telemonitoring and experimentation in telemedicine for the improvement of healthcare pathways (ETAPES program). Sustainability beyond 2021: what type of organisational model and funding should be used? // Therapie. 2020. Vol. 75, N 1. P. 43–56. doi: 10.1016/j.therap.2019.12.009
  36. Hollon T.C., Pandian B., Adapa A.R., et al. Near real-time intraoperative brain tumor diagnosis using stimulated Raman histology and deep neural networks // Nat Med. 2020. Vol. 26, N 1. P. 52–58. doi: 10.1038/s41591-019-0715-9
  37. Wang P., Liu X., Berzin T.M., et al. Effect of a deep-learning computer-aided detection system on adenoma detection during colonoscopy (CADe-DB trial): a double-blind randomised study // Lancet Gastroenterol Hepatol. 2020. Vol. 5, N 5. P. 343–351. doi: 10.1016/S2468-1253(19)30411-X
  38. Tobore I., Li J., Yuhang L., et al. Deep learning intervention for health care challenges: some biomedical domain considerations // JMIR mHealth uHealth. 2019. Vol. 7, N 8. P. e11966. doi: 10.2196/11966
  39. Wijnberge M., Geerts B.F., Hol L., et al. Effect of a machine learning-derived early warning system for intraoperative hypotension vs. standard care on depth and duration of intraoperative hypotension during elective noncardiac surgery // JAMA. 2020. Vol. 323, N 11. P. 1052–1060. doi: 10.1001/jama.2020.0592
  40. Moher D., Liberati A., Tetzlaff J., et al. Reprint — Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement // Phys Ther. 2009. Vol. 89, N 9. P. 873–880.
  41. Rebentrost P., Mohseni M., Lloyd S. Quantum support vector machine for big data classification // Phys Rev Lett. 2014. Vol. 113, N 13. P. 130503. doi: 10.1103/PhysRevLett.113.130503
  42. Teiten M., Eifes S., Reuter S., et al. Gene expression proling related to anti-inammatory properties of curcumin in k562 leukemia cells // Ann N Y Acad Sci. 2009. Vol. 1171, N 1. P. 391–398. doi: 10.1111/j.1749-6632.2009.04890.x
  43. Shameer K., Badgeley M.A., Miotto R., et al. Translational bioinformatics in the era of real-time biomedical, health care and wellness data streams // Brief Bioinform. 2017. Vol. 18, N 1. P. 105–124. doi: 10.1093/bib/bbv118
  44. Reardon S. Quantum microscope offers MRI for molecules // Nature. 2017. Vol. 543, N 7644. P. 162. doi: 10.1038/nature.2017.21573
  45. Dash S., Shakyawar S.K., Sharma M., Kaushik S. Big data in healthcare: management, analysis and future prospects // Journal of Big Data. 2019. N. 6. P. 54. doi: 10.1186/s40537-019-0217-0
  46. Sun T.Q., Medaglia R. Mapping the challenges of Artificial Intelligence in the public sector: evidence from public healthcare // Government Information Quarterly. 2019. Vol. 36, N 2. P. 368–383. doi: 10.1016/j.giq.2018.09.008
  47. Reshetnikov A., Fedorova J., Prisyazhnaya N., et al. Health Management for Sustainable Development. 2nd World Conference on Smart Trends in Systems. Security and Sustainability (WorldS4); 2018 Oct 30–31; London, UK. New York: Institute of Electrical and Electronics Engineers, 2019. P. 51–56.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© ООО "Эко-Вектор", 2022


СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ПИ № ФС 77 - 86498 от 11.12.2023 г. 
СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ЭЛ № ФС 77 - 80649 от 15.03.2021 г.