ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В СОВЕРШЕНСТВОВАНИИ КАЧЕСТВА КЛИНИЧЕСКОЙ ПРАКТИКИ. АНАЛИТИЧЕСКИЙ ОБЗОР
03.09.2020 г.

DOI: 10.21045/2071-5021-2020-66-4-12

Луговкина Т.К.1, Горшков С.В.2
1 ФГБУ «Научный медицинский исследовательский центр фтизиопульмонологии и инфекционных заболеваний» («НМИЦ ФПИ») Минздрава России (Москва), филиал «НМИЦ ФПИ» - «Уральский научно-исследовательский институт фтизиопульмонологии» (Екатеринбург). Россия.
2 ООО «ТриниДата» (Екатеринбург). Россия.

Резюме

Актуальность. Необходимость корректной оценки потенциала современных электронных платформ в контексте решения реальных задач клинической практики в рамках существующих требований регуляторных органов к порядкам и условиям функционирования систем, определяет актуальность темы представленного обзора литературы.

Цель работы: информация к размышлению для врачей о потенциале, проблемах создания и внедрения продуктов искусственного интеллекта и электронных интеллектуальных систем, основанных на знаниях, в процессы совершенствования качества клинической практики.

Материал и методы. Поиск информации осуществлялся в открытых поисковых системах и электронных библиотеках. Было выбрано 39 источников информации.

Результаты. Представлен обзор литературы о преимуществах применения и проблемах внедрения систем искусственного интеллекта и электронных интеллектуальных систем, основанных на знаниях, в клиническую практику. Обозначены основные условия выбора электронных платформ для внедрения в клиническую практику. Отмечена необходимость развития системы электронного мониторинга качества лекарственной помощи в рамках Программ государственных гарантий.

Выводы. Выбор электронных платформ для совершенствования системы качества клинической практики в существующих условиях функционирования отечественной системы здравоохранения должен основываться на приоритетности решаемых задач, технологических и финансовых возможностях, наличии данных об эффективности внедряемых платформ.

Область применения результатов. Знания общих характеристик и потенциала электронных платформ востребованы всеми профильными областями клинической практики для процесса адаптации к новым условиям функционирования и перспективам внедрения электронного мониторинга качества лекарственной помощи.

Ключевые слова: электронная платформа; лекарственная помощь; качество клинической практики.

Контактная информация: Луговкина Татьяна Константиновна e- mail: Этот e-mail защищен от спам-ботов. Для его просмотра в вашем браузере должна быть включена поддержка Java-script
Финансирование. Исследование не имело спонсорской поддержки.
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Для цитирования: Луговкина Т.К., Горшков С.В. Информационные технологии в совершенствовании качества клинической практики. Социальные аспекты здоровья населения [сетевое издание] 2020; 66(4):12. URL: http://vestnik.mednet.ru/content/view/1188/30/lang,ru/. DOI: 10.21045/2071-5021-2020-66-4-12

INFORMATION TECHNOLOGIES TO IMPROVE QUALITY OF CLINICAL PRACTICE. ANALYTICAL REVIEW
Lugovkina T.K.1, Gorshkov S.V.2
1 Ural Research Institute of Phthisiopulmonology, Branch of Scientific Medical Research Center of Phthisiopulmonology and Infectious Diseases of the Russian Ministry of Health, Yekaterinburg, Russia.
2LLC “TriniData”, Yekaterinburg, Russia

Abstract

Significance. Need for proper potential assessment of the modern electronic platforms in the context of solving actual problems of clinical practice within the existing requirements of the regulatory authorities to the procedures and conditions for the systems functioning substantiates topic of the presented literature review.

Purpose: to review literature and provide doctors with information to think about the potential and challenges related to the development and implementation of artificial intelligence products and electronic intelligent systems based on knowledge in the process of quality improvement of clinical practice.

Material and methods. Information searches were carried out in the public search engines and digital libraries. A total of 39 information sources were selected.

Results. The authors have conducted and presented an analytical review of the advantages and problems related to the implementation of artificial intelligence systems and electronic intelligent systems based on knowledge into clinical practice. The authors have outlined main conditions for selecting electronic platforms to be introduced into clinical practice. The need for developing a system of electronic monitoring of quality of health care in the framework of the Programs of state guarantee has been identified.

Conclusions. Selection of electronic platforms to improve the quality system of clinical practice within the current operating conditions of the national healthcare system should be based on priorities, technological potential and financial capabilities, and availability of data on proven effectiveness of the electronic platforms to be introduced.

Scope of application. Knowledge of the general characteristics and potential of electronic platforms is required by all relevant areas of clinical practice for the process of adaptation to the new operating conditions and prospects for introducing electronic monitoring of quality of health care.

Keywords: electronic platform; quality of clinical practice, health care monitoring.

Corresponding author: Tatyana K. Lugovkina, email: Этот e-mail защищен от спам-ботов. Для его просмотра в вашем браузере должна быть включена поддержка Java-script
Information about authors:
Lugovkina T.K., https://orcid.org/0000-0003-2088-8150
Gorshkov S.V., https://orcid.org/0000-0002-0821-8050
Financing of the study. The study had not any sponsorship.
Conflict of the interests. The author declares no conflict of interests.
For citation: Lugovkina T.K., Gorshkov S.V. Information technologies to improve quality of clinical practice. Analytical review. Social'nye aspekty zdorov'a naselenia / Social aspects of population health [serial online] 2020; 66(4):12. Available from: http://vestnik.mednet.ru/content/view/1188/30/lang,ru/. DOI: 10.21045/2071-5021-2020-66-4-12. (In Rus).

Введение

Создание цифровых платформ для нужд здравоохранения стоит в числе приоритетных задач Российской науки. Эти задачи отражены в Указах Президента Российской Федерации «О Стратегии развития информационного общества в Российской Федерации на 2017 – 2030 годы» [1], «О Стратегии развития здравоохранения в Российской Федерации на период до 2025 года» [2], а также в Национальной технологической инициативе [3]. Сегодня в мире информационных технологий накоплены многочисленные математические алгоритмы, инструменты и подходы к разработке, как систем искусственного интеллекта, так и электронных интеллектуальных систем, основанных на знаниях.

Системы искусственного интеллекта (ИИ) создают на основе алгоритмов машинного обучения (глубокого машинного обучения, нейронных сетей, нечеткой логики и др). Электронная платформа на основе ИИ обеспечивает программное имитационное моделирование функций головного мозга, в т. ч. выполняя автоматическую классификацию реальных ситуаций из практики. Системы ИИ могут быть однокомпонентными и многокомпонентными. Однокомпонентные системы ИИ основаны на использовании единственного средства. Многокомпонентные системы ИИ включают различные алгоритмы в единую вычислительную модель.

Электронные интеллектуальные системы, основанные на знаниях (СОЗ) - это экспертные системы, интеллектуальные информационно-поисковые системы и интеллектуальные системы поддержки принятия решений [4]. При разработке таких программ часто применяют онтологии предметных областей, фреймовые структуры формализмов. По мере появления новых данных, проведения анализа и получения результатов клинической практики в динамике, в базу знаний таких систем разработчики вносят изменения и дополнения. Необходимость корректной оценки возможностей современных электронных платформ в контексте реальных задач, потребностей медицинских организаций, а также существующих требований регуляторных органов к порядкам и условиям функционирования клинической практики, определяет актуальность темы представленного обзора литературы.

Цель работы: информация к размышлению для врачей о потенциале и проблемах внедрения продуктов искусственного интеллекта и интеллектуальных систем, основанных на знании в процессы совершенствования качества клинической практики.

Материал и методы

Поиск информации осуществлялся в открытых поисковых системах и электронных библиотеках, таких как «eLIBRARY», «PubMed», «Science Direct» и др. В качестве запроса использовались формулировки: «экспертные системы в медицине», «medical expert systems», «ontologies in medicine», «artificial intelligence in medicine». Было выбрано 39 научных публикаций и сведений с сайтов компаний, занимающихся разработкой таких платформ и программных продуктов. Выбор информации предполагал наличие сведений: об этапах развития инструментов для построения систем ИИ; проблемах, которые возникали при разработке и внедрении программных продуктов в клиническую практику; условиях, необходимых для создания систем ИИ и интеллектуальных систем, основанных на знаниях.

Результаты

1. Этапы развития ИИ. Современная история появления концепции ИИ относится к 1937 г, когда она была представлена научному сообществу Тьюрингом (Великобритания). В 1956 г. на конференции в Дартмутском колледже группой ученых – специалистов по вопросам моделирования человеческого разума и естественного интеллекта обсуждался вопрос о возможностях совершенствования когнитивного процесса человека с использованием вычислительной техники. Официальный статус термина «искусственный интеллект» был предложен одним из организаторов этой конференции - Джоном Маккарти. Сегодня ИИ включает в себя IT-инфраструктуру, программное обеспечение, процессы и сервисы по обработке данных, поиску решений [4,5,6,7,8,9,10,11].

В 70-80-х годах прошлого века внимание разработчиков было приковано к экспертным системам. Широкую известность имела система MYCIN, определявшая вид микроорганизмов по описанию признаков их роста на питательных средах, и применявшаяся для оптимизации выбора антибиотика конкретному пациенту. Этот программный продукт был разработан в Стэнфордском университете Э. Шортлайфом (Edward Shortliffe) с участием Б. Бучанана (Bruce Buchanan), С. Н. Коэна (Stanley N. Cohen) и др. [12]. В реальной клинической практике программа MYCIN никогда не использовалась несмотря на то, что в тестах превосходила профессоров Стэнфордской медицинской школы. Однако профессиональным медицинским сообществом были подняты этические и правовые вопросы, связанные с использованием компьютеров в медицине — если программа даст неправильный прогноз или предложит неправильное лечение, то кто должен за это отвечать? Однако, основной проблемой и настоящей причиной, почему MYCIN не использовалась в повседневной практике, было состояние технологий системной интеграции во времена ее создания, т.к. MYCIN была автономной системой. Достижением MYCIN стала демонстрация эффективности подхода к представлению знаний и построению выводов. В настоящее время на рынке компьютерных продуктов для медицины присутствует более 200 экспертных систем, введенных в эксплуатацию и активно применяемых в мире, приобретение которых возможно, как в специальных каталогах, так и сети Интернет [13,14,15].

Экспертная система - программно-техническое средство, позволяющее пользователю в диалоговом режиме получать от компьютера консультативную поддержку в конкретной предметной области, где база знаний представляет собой формализованные эмпирические знания высококвалифицированных специалистов (экспертов) в какой-либо узкой предметной области. Работа по формализации полезной информации осуществляется на базе правил, которые формулируют эксперты на основе регламентированных требований к клинической практике и данных доказательной медицины. Экспертные системы проводят анализ, выполняют классификацию, оказывают информационную поддержку врачу [13,14,15,16].

2. Развитие электронных платформ. С конца первого десятилетия XXI века вычислительные мощности компьютеров существенно возросли, появились математические модели с каскадами связей, т. н. многослойные нейронные сети (MNN, multilayer neural network). Многослойные нейронные сети с большим числом экземпляров (примеров объектов для тренировки) работают на основе глубокого машинного обучения (deep learning). Данная технология предполагает обучение машины с помощью большого количества данных (Big Data) и использование различных методов, дающих возможность описать искомую зависимость. Один из наиболее мощных вариантов нейронных сетей – сверточные нейронные сети (CNN, convolutional neural network). Созданы нейронные сети с обратной связью (RNN, recurrent neural network). Ведутся работы по созданию инструментов «объяснения» выводов, к которым приходит нейросеть. Появилась возможность проведения анализа степени влияния каждого из входящих факторов на получаемый результат [7,8,13,14,15,16].

Однако задача формального обоснования или подтверждения выводов, сделанных нейронной сетью, остается пока нерешенной.

Наиболее обсуждаемым событием сегодня является судьба такого проекта ИИ для медицины как когнитивная система Watson американской корпорации IBM – от восхищения его достижениями, до полного отрицания возможности внедрения [17,18,19,20,21].

Израильская компания MedyMatch Technology разработала на базе ИИ и Big Data решение, благодаря которому врачи могут оперативно диагностировать инсульт. В режиме реального времени система MedyMatch сравнивает снимок головного мозга пациента с сотнями тысяч других снимков, которые есть в ее «облаке»[22].

3 апреля 2020 г. Федеральная служба по надзору в сфере здравоохранения Российской Федерации (Росздравнадзор) зарегистрировала программное обеспечение «Система поддержки принятия врачебных решений «Webiomed» как медицинское изделие. Система дает оценку рисков заболеваний, таких как суммарный риск развития атеросклероза и его осложнений, риск тромбоэмболических осложнений при нарушениях ритма сердца, риск остановки сердца у госпитализированных пациентов, степени тяжести внебольничной пневмонии и т.д. На основе этих оценок система формирует рекомендации по определению тактики ведения пациента.

Интеграция робототехники с ИИ рассматривается как одно из наиболее перспективных направлений, способных переложить на машины рутинные хирургические манипуляции. Так, робот-хирург Da Vinci – четко обозначил практическое направление развития робототехники для применения в клинике. Аппарат производится серийно и применяется в сотнях клиник по всему миру. В России сегодня используют 33 роботизированных аппарата Da Vinci [23].

Наиболее успешно ИИ используют для разработки новых лекарственных препаратов [24,25], дизайна для проведения клинических исследований, лучевой диагностики и диагностики редких заболеваний. Высоко востребованы программы на основе ИИ для выявления онкологических заболеваний. Такие программы отлично справляются, выполняя функции с одним типом исходных данных [7,8,17,18].

Интеллектуальные системы на основе знаний востребованы для работы в условиях дискретного характера функционирования элементов сложных систем с соблюдением регламентированных правил и правил, заданных экспертами-разработчиками. При разработке таких программ часто применяют онтологии предметных областей. Онтологии рассматривают как важные компоненты базы знаний в системах поддержки принятия решений и экспертных систем. Правила могут быть созданы самой системой в результате анализа образцов опыта (в нашем случае – регламентированных требований, инструкций, моделей качественной клинической практики), либо сформулированы экспертами. Онтологии позволяют формировать правила логического вывода не только на основе явных знаний, но, в т.ч. и неявных знании, т.е., выполнять функции имитационного моделирования элементов системы и формулировать логические правила, управляющие взаимодействием этих элементов. [26,27,28]. Данный инструмент значительно увеличивает эффективность информационных систем поддержки принятия решений.

Онтологии могут быть полезны для мониторинга качества лекарственной помощи, а также оценки затрат на лекарства в процессе лечения [26,27,28,29,30,31,32], т.к. позволяют выполнять моделирование динамических объектов. Качество онтологии зависит от выбора методологии для формирования концептов базовых понятий предметной области. Это могут быть: частное мнение специалиста, согласованное мнение разработчиков и специалистов предметной области либо методология, построенная на основе фундаментальных принципов и законов природы. В частности, существует набор онтологий верхнего уровня, включающий наиболее фундаментальные элементы понятийной структуры, используемой в процессе мышления – такие как физические и абстрактные объекты, состояния, события и т.д. Среди существующих онтологий верхнего уровня популярны: BFO (Базовая Формальная Онтология), GFO (Общая Формальная Онтология), Dolce (онтология согласования между интеллектуальными агентами, использующими разную терминологию) и др. Важная функция высшей онтологии заключается в поддержке семантического взаимопонимания и взаимодействия большого числа предметно-ориентированных онтологий. Характер и уровень выбранной методологии определяют потенциал онтологии для последующего её многократного использования (тиражирования). Значимость и ценность онтологий определяется именно этой связью. Онтологии нашли широкое применение в информационных компьютерных системах, применяемых в международной клинической практике:

  • SNOMED (Systematized Nomenclature of Medicine). Интегратор источников данных и мета-онтологий. Всеобщий справочник для сравнения и сбора данных в течение всего процесса лечения; (http://www.snomed.org/).
  • UMLS (Unified Medical Language System) - Глобальный медицинский тезаурус. Metathesaurus. Синтез медицинских словарей с более чем 10 000 000 концептов; (http://www.nlm.nih.gov/research/umls/quickstart.html).
  • Medical Dictionary for Regulatory Activities (MedDRA) – Медицинский словарь для регуляторных органов (http://www.meddra.org)
  • The Disease Ontology – Онтологии заболеваний. (http://disease-ontology.org/)
  • GALEN (Generalised Architecture for Languages, Encyclopedia and Nomenclatures in Medicine). – Словарь, энциклопедия и номенклатура в медицине ГАЛЕН.
  • Онтология, обеспечивающая проведение хирургических операций и др.

Онтологические платформы в области медицины, биологии и смежных дисциплин сегодня объединены в единое семантическое пространство: сначала использовали термин “Open Biological Ontologies”, а сейчас - “Open Biomedical Ontologies”. В России создан Онтологический Совет Национальной Базы Медицинских Знаний (ОС НБМЗ). В состав НБМЗ входят 7 онтологических платформ – это объединенный российский онтологический ресурс [33,34,35].

3. Проблемы. Специалисты по разработке систем ИИ отметили выраженное влияние географического и социо-демографического аспектов на результативность их работы. Это влечет за собой необходимость дополнительной адаптации программ к изменяющимся условиям и снижает эффект тиражирования продукта. Международное профессиональное медицинское сообщество, обсуждая тему ИИ в медицине на одной из крупных конференции по медицинской информатике в 2019г, так же, как и 40 лет назад, после создания платформы MYCIN, пришло к заключению, что имеющиеся данные об эффективности и безопасности решений, которые предлагают модели, разработанные на основе ИИ, пока недостаточны для регламентированного клинического применения по причине отсутствия четкого понимания процессов построения алгоритмов принятия решений, а также проспективных исследований, которые бы отвечали требованиям доказательной медицины. Так, Управление по надзору за качеством пищевых продуктов и медикаментов США (FDA) в течение 2018г одобрило для использования в клиниках всего три инструмента, которые созданы на основе ИИ: 1) платформа LVO от Viz.ai зарегистрирована в феврале 2018г и предназначена для анализа компьютерных томограмм с целью диагностики признаков инсульта; 2) устройство IDx-DR от компании IDx LLC было одобрено в апреле. Устройство использует программное обеспечение на основе ИИ для обнаружения диабетической ретинопатии у взрослых с диабетом и предназначено для специалистов, которые не являются офтальмологами; 3) устройство «Остеодетект» от Imagen было одобрено для диагностики переломов запястья у взрослых [19,20,21]. Джон Хеннесси, доктор философии, бывший президент Стэнфордского университета и лауреат премии Тьюринга 2017 года на одном из симпозиумов высказал своё мнение об ИИ в современной медицине, как о программах, которые могут извлекать информацию из примеров, но не имеют «понимания» этой информации. Дело в том, что модели машинного обучения не могут «думать» о том, почему что-то происходит; они только обнаруживают паттерн в данных, на которых они обучаются. ИИ представляет собой, по сути, сложный алгоритм, который даёт быстрый результат. Для регулятора – это всегда «чёрный ящик». Сам процесс получения результата не застрахован от ошибок и может потребовать колоссальных дополнительных усилий по поиску ошибок, которые привели к ошибочному результату. По этой причине этическая компонента современного научного знания ставит вопрос о социальной и нравственной ответственности ученых за то, что они делают в области медицины. Научность современного знания, по мнению международного профессионального медицинского сообщества, подлежит оценкам по всем параметрам: как методологическим, гносеологическим, логическим, так и нравственным, экономическим и т. д. [19,20,21].

Серьезной проблемой, с которой сталкиваются специалисты при внедрении ИИ в клиническую практику является недостаточный уровень качества используемых данных. В отечественных медицинских организациях накопленные в медицинских картах пациентов данные часто являются неполными, содержат ошибки, неточности и разночтения в терминах. Необходимо отметить, что для разработки нейронной сети требуется тщательная подготовка и ручной отбор исходных данных экспертом, который несёт ответственность за репрезентативность обучающей выборки. Если эксперт не просмотрел всю совокупность выборки вместе с её атрибутами, а созданная понятийная модель существенно ограничена, то решение, полученное программой ИИ, будет обладать «слепотой» [7].

4. Условия создания и внедрения электронных платформ ИИ в клиническую практику. Многослойные нейронные сети (MNN) обладают большими возможностями, но требуют значительных вычислительных ресурсов. Число записей в обучающей выборке может насчитывать сотни тысяч или даже миллионы примеров. Так, для обучения Watson IBM было проанализировано 30 млрд медицинских снимков [7,17,18]. Данная проблема, в связи с доступностью на современном этапе «облачных технологий», может быть в ближайшее время снята.

Важными условиями корректного выбора и успешного внедрения программных продуктов, электронных платформ ИИ, интеллектуальных систем поддержки принятия решений на основе знаний, в т.ч. электронной системы мониторинга качества лекарственной помощи являются:

  1. адекватные задачам материально-техническое оснащение и финансовые ресурсы медицинской организации;
  2. наличие четко сформулированных приоритетных задач клинической практики, которые обоснованно нуждаются в первоочередном внедрении электронных платформ для совершенствования качества клинической практики;
  3. создание понятийно-категориального аппарата системы клинической практики во всех профильных областях на основе согласования терминов и понятий, в т.ч. в рамках профессиональных сообществ;
  4. качественное ведение медицинской документации в бумажном и электронном виде и соблюдение требований для ввода данных, которые будут обрабатываться компьютерной программой;
  5. наличие юридического статуса продукта.

Обсуждение

Инструментом непрерывного развития модели познания в медицине всегда была и остаётся реальная клиническая практика и её результаты. Каждое клиническое решение врача - это не просто знание, а знание, адаптированное к потребностям конкретного человека - ключевого звена всей клинической практики. Развитие науки сегодня характеризуется тем, что термины в любой области науки все больше подвергаются семантической унификации - на смену полисемии приходит моносемия. Требования к научным терминам и понятиям в области медицины так же значительно возросли в связи с развитием и широкой востребованностью информационных технологий и программных продуктов.

Персонализированный мониторинг качества лекарственной помощи в рамках программ Государственных гарантий является приоритетным направлением разработки и внедрения электронных платформ. Отражение в базе знаний сущностных характеристик диагноза моделей клинических ситуаций, а в базе данных - реальных клинических ситуаций в цифровых кодах является обязательным элементом. Качественный мониторинг нуждается в построении систематизированного информационного пространства клинической практики, которое должно быть сформировано на основе онтологий предметных областей [32].

Переход на новый уровень качества и культуры оказания медицинской помощи в большой степени определяется уровнем организационных технологий, финансовой политикой государства и отношением самого общества к системе здравоохранения. Так, например, несмотря на то, что стандарты медицинской помощи являются нормативно-правовыми актами, что подтверждено решением Верховного суда [37,38], усилия Территориальных фондов обязательного медицинского страхования, которые работают с «пациент-центричной системой здравоохранения», сосредоточены на поиске врачей, «виновных в нецелевом расходовании» средств, при назначениях лекарственных препаратов, включенных в утвержденные медицинские стандарты, но отсутствующих в Перечне жизненно необходимых и важнейших лекарственных препаратов, который был сформирован Правительством для регулирования цен [37,38], а не на развитии электронного мониторинга качества, безопасности оказания лекарственной помощи пациентам или информационную поддержке врача. Территориальные фонды обязательного медицинского страхования и Программы государственных гарантий оказания лекарственной помощи сегодня остро нуждаются в четкой ориентации на принцип «пациент-центричности». Основными помощниками в реализации этого принципа должны стать информационные технологии и цифровая экономика.

Заключение

Последние достижения в области разработки ИИ и интеллектуальных систем на основе знаний предоставляют возможность улучшить качество клинической практики. Программы на основе ИИ сегодня успешно применяются в мире для разработки новых лекарственных препаратов, диагностики заболеваний, выполнения процедур и манипуляций в хирургии, реализации задач предиктивной, прецизионной, персонализированной медицины.

В перспективе, наиболее вероятным направлением развития систем ИИ в медицине, может стать совместное использование машинного обучения (в т. ч. нейронных сетей) и средств автоматизации получения логических выводов на основе онтологий. Сочетание этих технологий в одном продукте позволит выйти за рамки решения узких задач методами машинного обучения, а также сократить трудоемкость и сложность создания правил логического вывода, что является основным ограничителем развития экспертных систем. Как человеческая познавательная деятельность представляет собой сочетание эмпирической и логической форм, так и тандем методов машинного обучения с технологией создания правил логического вывода в интеллектуальной автоматизированной системе обеспечит гармоничное сочетание инструментов имитации разных форм мышления (конвергентного, дивергентного) [38]. Продукт, предназначенный для применения в клинической практике, должен создаваться на основе системного принципа природы – «принципа достаточного разнообразия» и задействовать такой спектр имеющихся инструментов, который соответствует уровню сложности задач, решаемых врачом – 8-9 уровень из 9 [39]. Участие и мнение самого врача, который в конечной точке принятия решений берёт на себя всю полноту ответственности, должны оставаться в приоритете.

Активное развитие и внедрение информационных технологий в клиническую практику обусловливают необходимость адаптации участников системы к новому уровню функционирования и самоорганизации. Это потребует дополнительных усилий в понимании сложных отношений между клиницистами и инструментами ИИ, интеллектуальных систем на основе знаний. Усилия должны быть адекватны задачам Стратегии национальной безопасности в области здравоохранения [2] и Национальной технологической инициативы [3].

Библиография

  1. О Стратегии развития информационного общества в Российской Федерации на 2017 - 2030 годы: Указ Президента Российской Федерации от 09.05.2017 № 203 [Интернет]. [Размещение на сайте 15.05.2017] URL: http://pravo.gov.ru/proxy/ips/?docbody=&nd=102431687 (Дата обращения на сайт 23.04.2020).
  2. О Стратегии развития здравоохранения в Российской Федерации на период до 2025 года: Указ Президента Российской Федерации от 6 июня 2019 года N 254 [Интернет]. [Размещение на сайте 15.06.2019] URL: http://docs.cntd.ru/document/554815875 (Дата обращения на сайт 23.04.2020).
  3. Национальная технологическая инициатива. [Интернет]. [Размещение на сайте 15.04.2016] URL: https://nti2035.ru/nti/ (Дата обращения на сайт 23.04.2020).
  4. Карпов О.Э., Клименко Г.С., Лебедев Г.С. Применение интеллектуальных систем в здравоохранении. Современные наукоемкие технологии. 2016;(7-1): 38-43. URL: http://top-technologies.ru/ru/article/view?id=36058 (дата обращения: 02.05.2020).
  5. Компания «Московский международный медицинский кластер. Сколково». [Интернет]. [Размещение на сайте 12.09.2019] URL: http://zdrav.expert/index.php/ (Обращение на сайт 02.04.2020).
  6. Ганеева Э. В помощь врачу: как искусственный интеллект меняет здравоохранение. [Интернет].[Размещение на сайте 16.12.2019]URL: https://tass.ru/opinions/7342077. (Обращение на сайт 24.04.2020).
  7. Гусев А.В., Добриднюк С.Л. Искусственный интеллект в медицине и здравоохранении. Информационное общество 2017; (5): 78-93. [Интернет].[Размещение на сайте 16.05.2017] URL: http://www.infosoc.iis.ru
  8. Реброва О.Ю. Жизненный цикл систем поддержки принятия врачебных решений как медицинских технологий. Врач и информационные технологии 2020; (1):27-37.
  9. Дюк В.А., Эмануэль В.Л. Информационные технологии в медико-биологических исследованиях. СПб.: Питер;2003. 528 с.
  10. Haykin S., Principe J., Sejnowski T. et al. New Directions in Statistical Signal Processing: From Systems to Brains. London: The MIT Press; 2007. 544 p.
  11. Пылькин А.Н., Крошилин А.В., Крошилина С.В., Доан Д.Х. Построение медицинских экспертных систем сопровождения медико-технологического процесса. Вестник РГРТУ. 2017; (60):123-131.
  12. Copeland B.J. MYCIN Artificial Intelligence Problem.[Интернет]. [Размещение на сайте 06.03.2017] URL: https://www.britannica.com/technology/MYCIN (Дата обращения на сайт – 23.04.2020).
  13. Волчек Ю. А., Шишко О. Н., Спиридонова О. С., Мохорт Т. В. Положение модели искусственной нейронной сети в медицинских экспертных системах. Juvenis scientia. 2017; (9):4-9. [Интернет]. [Размещение на сайте 06.09.2017] URL:https://www.jscientia.org/2017-9 (Дата обращения на сайт – 17.04.2020).
  14. Калядин Н.И. Конструктивизация моделей классификации конечных объектов: концепция, методы и компьютерная реализация. Ижевск: ИжГТУ им. М. Т. Калашникова; 2014. 358 с.
  15. Коротких Н.Г., Петров И.Ю., Петров А.И. О проблемах выявления экспертных знаний при разработке медицинских компьютерных программ. ВНМТ. 2012;( 2):192-195.
  16. Андрейчиков А.В. Андрейчикова О.Н. Интеллектуальные информационные системы. М.: Финансы и статистика; 2004. 423 с.
  17. With Watson Program. [Интернет]. [Размещение на сайте 06.01.2020] URL: https://www.ibm.com/watson/products-services. (Обращение на сайт 24.04.2020).
  18. Технологии IBM в здравоохранении. [Интернет].[Размещение на сайте 06.01.2020] URL:URL: http://cognitive.rbc.ru/health-tech(Обращение на сайт 24.04.2020).
  19. Tuma R.S. Caution Needed With Artificial Intelligence in Medicine, Experts Warn. [Интернет]. [Размещение на сайте 29.05.2018] URL:https://www.medscape.com/viewarticle/897350#vp_3. (Обращение на сайт 24.04.2020).
  20. Strickland E. How IBM Watson Overpromised and Underdelivered on AI Health Care. [Интернет]. [Размещение на сайте 06.04.2020]URL: https://spectrum.ieee.org/biomedical/diagnostics/how-ibm-watson-overpromised-and-underdelivered-on-ai-health-care.(Дата обращения на сайт 23.04.2020).
  21. Kelly C.J, Karthikesalingam A., Suleyman M. Corrado G., King D. Key challenges for delivering clinical impact with artificial intelligence. BMC Medicine.2019; (17). Article number: 195. https://bmcmedicine.biomedcentral.com/articles/10.1186/s12916-019-1426-2
  22. Idrus A.A.  MedyMatch, Samsung add artificial intelligence to stroke diagnosis in ambulances. 2017; (3). [Интернет]. [Размещение на сайте 06.03.2017] URL: https://www.fiercebiotech.com/deals/medymatch-samsung-add-artificial-intelligence-to-stroke-dx-ambulances (обращение на сайт 15.04.20).
  23. Robot-davinci. [Интернет]. [Размещение на сайте 04.02.2019] URL: https://www.robot-davinci.ru/(Дата обращения на сайт 19.04.2020).
  24. Стасевич К. Искусственный интеллект нашёл новый антибиотик. Наука и жизнь. 2020; (4). [Интернет]. [Размещение на сайте 10.04.2020] URL:https://www.nkj.ru/news/38178/ (Дата обращения на сайт 19.04.2020).
  25. Савельев М. Как искусственный интеллект создаёт лекарство. По материалам hi-new. [Интернет]. [Размещение на сайте 05.09.2019] URL:https://24hitech.ru/iskysstvennyi-intellekt-sozdal-novoe-lekarstvo-vsego-za-21-den.html (Дата обращения на сайт 19.04.2020).
  26. Gorshkov, S. A. Method for automated generation of inference rules. 5th International Conference on Control, Decision and Information Technologies. Thessaloniki, 2018; 512-517. doi: 10.1109/CoDIT.2018.839480.
  27. Gorshkov S, Kralin S, Miroshnichenko M. Multi-viewpoint Ontologies for Decision-Making Support. Communications in Computer and Information Science. Springer, Cham. 2016;(649):3-17.
  28. Горшков С.В. Онтологическое моделирование предприятий: методы и технологии. Екатеринбург: Уральский государственный технологический университет; 2019. 237с.
  29. Брунилин А.А., Куваев В.О., Саенко И.Б. Онтологический подход к организации информационного взаимодействия разнородных автоматизированных систем специального назначения. Телекоммуникации и транспорт. 2015; 9(2):69–73.
  30. Москаленко, Ф.М., Черняховская, М.Ю. Формирование баз знаний о заболеваниях на основе онтологии медицины. Информатика и системы управления. Системный анализ в медицине. 2009;(4):200-202. [Интернет]. [Размещение на сайте 10.05.2009] URL:http://elibrary.ru/item.asp?id=13009498. (Дата обращения на сайт – 12.04.2020).
  31. Хашаев З.Х.-M., Плесневич Г.С., Шекшеев Э.М. Онтологии медицинского знания с темпоральными аспектами. Современные проблемы науки и образования. 2009;( 2):51-55.
  32. Lugovkina T., Skornyakov S., Egorov E., Medvinskiy I. Methodology for Electronic Monitoring of Quality Drug Prescriptions in Phthisiopulmonology. European Congress on Clinical Pharmacology and Therapy. Prague. [Интернет]. [Размещение на сайте 10.10.2016] URL: Supplement, 2017; 39(8):e43–e44 DOI: http://dx.doi.org/10.1016/j.clinthera.2017.05.136 http://www.clinicaltherapeutics.com/
  33. Open Biomedical Ontologies. [Интернет]. [Размещение на сайте 10.02.2016] URL: https://en.academic.ru/dic.nsf/enwiki/2449586 (Дата обращения на сайт 24.04.2020).
  34. Карта онтологических ресурсов. [Интернет]. [Размещение на сайте 20.02.2014] URL: http://nbmz.ru/obedinenie-ontologii/(Дата обращения: 24.04.2020).
  35. Бездушный А.Н., Гаврилова Э.А., Серебряков В.А., Шкотин А.В. Место онтологий в единой интегрированной системе РАН. [Интернет]. [Размещение на сайте 20.02.2014] URL:http://www.olap.ru/home.asp?artId=2362 . (Дата обращения: 15.04.2020).
  36. Постановление арбитражного суда Приволжского округа от 28 января 2019 г. N Ф06-42417/2018 по делу N А12-9735/2018. [Интернет]. [Размещение на сайте 20.02.2020] URL: http://www.consultant.ru/cons/cgi/online.cgi?req=doc&base=APV&n=172081#04863846385480144.
  37. Материалы Верховного Суда РФ на заседании от 09.04.2014 по делу № АКПИ14-152. [Интернет]. [Размещение на сайте 20.04.2014] URL: http://www.garant.ru/products/ipo/prime/doc/70555952/ (Дата обращения на сайт – 26.04.2020).
  38. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25:44–56. [Интернет]. [Размещение на сайте 02.03.2019] URL: https://www.researchgate.net/publication/330203267High-performance_medicine_the_convergence_of_human_and_artificial_intelligence
  39. Боулдинг К.Э. Общая теория систем — скелет науки. Исследования по общей теории систем [пер. с англ.]. Москва: Наука; 1969.118с.

References

  1. O Strategii razvitiya informatsionnogo obshchestva v Rossiyskoy Federatsii na 2017 - 2030 gody [About the strategy for the development of the information society in the Russian Federation for 2017-2030]. Ukaz Prezidenta Rossiyskoy Federatsii ot 09.05.2017 № 203. [Online]. [cited 2020 Apr 23]. Available from: http://pravo.gov.ru/proxy/ips/?docbody=&nd=102431687. (In Russian).
  2. O Strategii razvitiya zdravookhraneniya v Rossiyskoy Federatsii na period do 2025 goda [About the strategy of healthcare development in the Russian Federation for the period up to 2025]. Ukaz Prezidenta Rossiyskoy Federatsii ot 6 iyunya 2019 goda N 254. [Online] [cited 2020 Apr 23]. Available from: http://docs.cntd.ru/document/554815875. (In Russian).
  3. Natsional'naya tekhnologicheskaya initsiativa [National technology initiative]. [Online] [cited 2020 Apr 23]. Available from: https://nti2035.ru/nti/. (In Russian).
  4. Karpov O.E., Klimenko G.S., Lebedev G.S. Primenenie intellektual`nykh sistem v zdravookhranenii [Application of intelligent systems in healthcare]. Sovremennye naukoemkie tekhnologii 2016;(7): 38-43. [Online] [cited 2020 May 02]. Available from: http://top-technologies.ru/ru/article/view?id=36058 (Site visit 02.05.2020). (In Russian).
  5. Kompaniya «Moskovskiy mezhdunarodnyy meditsinskiy klaster. Skolkovo» [Company “Moscow international medical cluster. Skolkovo”]. [Online] [cited 2020 Apr 02]. Available from: http://zdrav.expert/index.php/. (In Russian).
  6. Ganeeva E. V pomoshch' vrachu: kak iskusstvennyy intellekt menyaet zdravookhranenie [The help to the doctor: how artificial intelligence changes healthcare]. [Online] [cited 2020 Apr 24]. Available from: https://tass.ru/opinions/7342077. (In Russian).
  7. Gusev A.V., Dobridnyuk S.L. Iskusstvennyy intellekt v meditsine i zdravookhranenii [Artificial intelligence in medicine and healthcare]. Informatsionnoe obshchestvo 2017; (5): 78-93. [Online] [cited 2020 Apr 24]. Available from: http://www.infosoc.iis.ru/. (In Russian).
  8. Rebrova O. Yu. Zhiznennyy tsikl sistem podderzhki prinyatiya vrachebnykh resheniy kak meditsinskikh tekhnologiy [Life cycle of medical decision support systems as the medical technologies]. Vrach i informatsionnye tekhnologii 2020; (1):27-37. (In Russian).
  9. Dyuk V.A., Emanuel' V.L. Informatsionnye tekhnologii v mediko-biologicheskikh issledovaniyakh [Information technologies in biomedical researches]. St. Petersburg: Piter; 2003. 528 p. (In Russian).
  10. Haykin S., Principe J., Sejnowski T. et al. New Directions in Statistical Signal Processing: From Systems to Brains. London: The MIT Press; 2007. 544 p.
  11. Pyl'kin A.N., Kroshilin A.V., Kroshilina S.V., Doan D.H. Postroenie meditsinskikh ekspertnykh sistem soprovozhdeniya mediko-tekhnologicheskogo protsessa [Creating the medical expert systems to support the medical technological process]. Vestnik RGRTU. 2017; (60):123-131. (In Russian).
  12. Copeland B.J. MYCIN Artificial Intelligence Problem.[Online] [cited 2020 Apr 23]. Available from: https://www.britannica.com/technology/MYCIN .
  13. Volchek YU. A., Shishko O. N., Spiridonova O. S., Mokhort T. V. Polozhenie modeli iskusstvennoy neyronnoy seti v meditsinskikh ekspertnykh sistemakh [The position of the artificial neural network model in medical expert systems]. Juvenis scientia 2017; (9):4-9. [Online] [cited 2020 Apr 17]. Available from: https://www.jscientia.org/2017-9. (In Russian).
  14. Kalyadin N.I. Konstruktivizatsiya modeley klassifikatsii konechnykh ob"ektov: kontseptsiya, metody i komp'yuternaya realizatsiya [Constructivization of the finite object classification models: concept, methods and computer implementation]. Izhevsk: IzhGTU im. M. T. Kalashnikova; 2014. 358 p. (In Russian).
  15. Korotkikh N.G., Petrov I.YU., Petrov A.I. O problemakh vyyavleniya ekspertnykh znaniy pri razrabotke meditsinskikh komp'yuternykh programm [About the problems of identifying expert knowledge in the development of medical computer programs]. VNMT. 2012;(2):192-195. (In Russian).
  16. Andreychikov A.V. Andreychikova O.N. Intellektual'nye informatsionnye sistemy [Intelligent information systems]. Moscow: Finansy i statistika; 2004.423 p. (In Russian).
  17. With Watson Program. [Online] [cited 2020 Apr 24]. Available from: https://www.ibm.com/watson/products-services.
  18. Tekhnologii IBM v zdravookhranenii [IBM technologies in the healthcare]. [Online] [cited 2020 Apr 24]. Available from: http://cognitive.rbc.ru/health-tech. (In Russian).
  19. Tuma R.S. Caution Needed With Artificial Intelligence in Medicine, Experts Warn. [Online] [cited 2020 Apr 24]. Available from: https://www.medscape.com/viewarticle/897350#vp_3.
  20. Strickland E. How IBM Watson Overpromised and Underdelivered on AI Health Care. [Online]. [cited 2020 Apr 23]. Available from: https://spectrum.ieee.org/biomedical/diagnostics/how-ibm-watson-overpromised-and-underdelivered-on-ai-health-care.
  21. Kelly C.J, Karthikesalingam A., Suleyman M. Corrado G., King D. Key challenges for delivering clinical impact with artificial intelligence. BMC Medicine 2019; (17). [Online]. [cited 2020 Apr 23. Available from: https://bmcmedicine.biomedcentral.com/articles/10.1186/s12916-019-1426-2 .
  22. Idrus A.A. MedyMatch, Samsung add artificial intelligence to stroke diagnosis in ambulances. 2017; (3). [Online]. [cited 2020 Apr 15]. Available from: https://www.fiercebiotech.com/deals/medymatch-samsung-add-artificial-intelligence-to-stroke-dx-ambulances.
  23. Robot Davinchi. [Online] [cited 2020 Apr 19]. Available from: https://www.robot-davinci.ru/.
  24. Stasevich K. Iskusstvennyy intellekt nashel novyy antibiotik. [Artificial intelligence has found a new antibiotic.] Nauka i zhizn'. 2020; (4). [Online] [cited 2020 Apr 19]. Available from: https://www.nkj.ru/news/38178/. (In Russian).
  25. Savel'ev M. Kak iskusstvennyy intellekt sozdaet lekarstvo. Po materialam hi-new [How artificial intelligence creates a drug. Based on hi-new materials]. [Online] [cited 2020 Apr 19]. Available from: https://24hitech.ru/iskysstvennyi-intellekt-sozdal-novoe-lekarstvo-vsego-za-21-den.html. (In Russian).
  26. Gorshkov S. A. Method for automated generation of inference rules. 5th International Conference on Control, Decision and Information Technologies. Thessaloniki, 2018; 512-517. doi: 10.1109/CoDIT.2018.839480.
  27. Gorshkov S, Kralin S, Miroshnichenko M. Multi-viewpoint Ontologies for Decision-Making Support. Communications in Computer and Information Science. Springer, Cham. 2016;(649):3-17.
  28. Gorshkov S.V. Ontologicheskoe modelirovanie predpriyatiy: metody i tekhnologii [Ontological modeling of enterprises: methods and technologies]. Ekaterinburg: Ural'skiy gosudarstvennyy tekhnologicheskiy universitet; 2019. 237p. (In Russian).
  29. Brunilin A.A., Kuvaev V.O., Saenko I.B. Ontologicheskiy podkhod k organizatsii informatsionnogo vzaimodeystviya raznorodnykh avtomatizirovannykh sistem spetsial'nogo naznacheniya [The ontological approach to the organization of information interaction of heterogeneous automated systems for special purposes]. Telekommunikatsii i transport 2015;9(2):69–73. (In Russian).
  30. Moskalenko, F.M., Chernyakhovskaya, M.Yu. Formirovanie baz znaniy o zabolevaniyakh na osnove ontologii meditsiny [Formation of disease knowledge bases using the ontology of medicine]. Informatika i sistemy upravleniya. Sistemnyy analiz v meditsine 2009;(4):200-202. [Online]. [cited 2020 Apr 12]. Available from: http://elibrary.ru/item.asp?id=13009498. (In Russian).
  31. Khashaev Z.H.-M., Plesnevich G.S., Sheksheev E.M. Ontologii meditsinskogo znaniya s temporal'nymi aspektami [Ontologies of medical knowledge with temporal aspects]. Sovremennye problemy nauki i obrazovaniya 2009;( 2):51-55. (In Russian).
  32. Lugovkina T., Skornyakov S., Egorov E., Medvinskiy I. Methodology for Electronic Monitoring of Quality Drug Prescriptions in Phthisiopulmonology. European Congress on Clinical Pharmacology and Therapy. Prague. Supplement, 2017; 39(8):e43–e44. [Online].[cited 2020 Apr 23] Available from: http://www.clinicaltherapeutics.com/ DOI: http://dx.doi.org/10.1016/j.clinthera.2017.05.136 .
  33. Open Biomedical Ontologies. [Online]. [cited 2020 Apr 24]. Available from: https://en.academic.ru/dic.nsf/enwiki/2449586 .
  34. Karta ontologicheskikh resursov [The map of the ontological resources]. [Online]. [cited 2020 Apr 24]. Available from: http://nbmz.ru/obedinenie-ontologii/(Site visit: 24.04.2020). (In Russian).
  35. Bezdushnyy A.N., Gavrilova E.A., Serebryakov V.A., Shkotin A.V. Mesto ontologiy v edinoy integrirovannoy sisteme RAN [The place of ontologies in the unified integrated system of the Russian Academy of Sciences]. [Online] [cited 2020 Mar 04] Available from: http://www.olap.ru/home.asp?artId=2362. (In Russian)
  36. Postanovlenie arbitrazhnogo suda Privolzhskogo okruga ot 28 yanvarya 2019 g. N F06-42417/2018 po delu N A12-9735/2018.[Resolution of the commercial court of the Volga district of January 28, 2019 N F06-42417/2018 in the case N A12-9735/2018]. [Online]. [cited 2020 Mar 04]. Available from: http://www.consultant.ru/cons/cgi/online.cgi?req=doc&base=APV&n=172081#04863846385480144. (In Russian).
  37. Materialy` Verkhovnogo Suda RF na zasedanii ot 09.04.2014 po delu № AKPI14-152. [Materials of the Supreme Court of the Russian Federation at the session of 09.04.2014 in case no. AKPI14-152].[Online] [cited 2020 Mar 04]. Available from: http://www.garant.ru/products/ipo/prime/doc/70555952/.(In Russian).
  38. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25:44–56. [Online] [cited 2020 Mar 04]. Available from: https://www.researchgate.net/publication/330203267High-performance_medicine_the_convergence_of_human_and_artificial_intelligence .
  39. Boulding K.E`. Obshchaya teoriya sistem — skelet nauki. Issledovaniya po obshchey teorii sistem [General theory of systems - the skeleton of science. Research on general systems theory]. [Transl. from Eng.]. Moscow: Nauka; 1969.118p. (In Russian).

Дата поступления: 05.05.2020

Адрес статьи на сайте vestnik.mednet.ru:
http://vestnik.mednet.ru/content/view/1188/30/lang,ru/

© «Социальные аспекты здоровья населения» электронный научный журнал, 2024
© Все права защищены!

Просмотров: 6099

Ваш комментарий будет первым

Добавить комментарий
  • Пожалуйста оставляйте комментарии только по теме.
  • Вы можете оставить свой комментарий любым браузером кроме Internet Explorer старше 6.0
Имя:
E-mail
Комментарий:

Код:* Code
Последнее обновление ( 25.09.2020 г. )