ИИ предсказывает риск смерти от неинфекционных заболеваний

Время чтения: 5 мин.

Пока на российском рынке единственный ИТ-продукт с использованием искусственного интеллекта успешно прошел клинические и технические испытания и получил одобрение Росздравнадзора. Это система поддержки принятия врачебных решений Webiomed, разработанная резидентом Фонда «Сколково» компанией «К-Скай» для управления рисками развития неинфекционных хронических заболеваний у пациентов.

Система, прошедшая машинное обучение на Big Data, анализирует медицинские данные человека, выявляет факторы риска и выстраивает их основе прогнозы вероятности развития различных заболеваний и смерти от них. О том, как новый российский продукт внедряется в клиническую практику,  рассказал директор по развитию проекта Webiomed Александр Гусев.

Почему, работая над программой с использованием ИИ, вы выбрали именно этот аспект – выявление пациентов высокого риска?

Изучая западную аналитику, мы пришли к выводу, что направление, связанное именно с предсказанием заболеваний, имеет большие перспективы для развития. Известно: причина смертности номер 1 — это неифекционные заболевания, особенно сердечно- сосудистые. На факторы, влияющие на развитие большинство таких болезней можно повлиять.   А что, если заглянуть как бы в будущее? Мы предлагаем прогноз развития некоторых заболеваний на 7-10 лет вперед. Получив информацию, врач и пациент успеют сделать шаги, чтобы, например, избежать развития инфаркта и других тяжелых осложнений хронических заболеваний. Это можно реализовать с помощью технологии искусственного интеллекта.

Каковы принципы работы Webiomed? Риски смерти от каких заболеваний она прогнозирует?

Наша цель — обратить внимание врача на пациентов группы высокого риска развития заболеваний, чтобы была возможность приложить дополнительные усилия на предотвращение болезни или осложнений.

Webiomed анализирует обезличенные документы электронной медицинской карты пациента, в том числе и неструктурированные медицинские записи. Используя модели машинного обучения, выявляет риски развития заболеваний, факторы, влияющие на это, а также подозрения на какие- то заболевания в будущем.

В настоящее время система умеет прогнозировать риски по нескольким нозологиям: сердечно-сосудистые заболевания, сахарный диабет, пульмонология и ряд других. Уже сейчас система «знает» несколько десятков основных факторов риска этих заболеваний и их влияние на вероятность ухудшения здоровья. Например, модель оценивающая риск развития ретинопатии у пациентов с сахарным диабетом 2 типа, учитывает 16 признаков. Анализируются и раса, и пол, липиды, прием статинов, использование антикоагулянтов, наследственность по инфарктам и т.д.

Webiomed, помимо выявления рисков, предлагает план лечения пациента, так? А если в ходе лечения состояние пациента изменилось (например, аллергическая реакция на лекарство), что в этом случае предложит алгоритм?

Система предлагает в рекомендательной форме информацию по тактике лечения врачу, акцентирует внимание к проблеме, но решающее слово остается за лечащим врачом.

Где проходила апробация системы? Принесла ли пользу клиникам?

У нас реализованы несколько пилотных проектов в 3 регионах РФ.  В ЯНАО  было достигнуто увеличение до 7 раз выявляемости пациентов высокого риска или подозрений на заболевания без участия врача за счет оценки и выявления факторов риска, подозрений на заболевания в начальной стадии. Кроме того, значительно сократилось время времени и трудоемкость обработки врачом медицинских данных пациента при диагностике.

Врачи не сопротивлялись подсказкам ИИ?

Конечно, врачи не всегда были согласны с мнением Webiomed и это нормально: мы еще только в самом начале пути. Очень важно не просто дать врачам продукт, но и при этом заслужить их доверие. А это длинный и тернистый путь через постоянный анализ обратной связи, работой над повышением точности наших моделей и полезности формируемых системой подсказок.

Сложность заключается в осознании на местах (в медицинских учреждениях), что искусственный интеллект может быть полезен как вспомогательный инструмент в самых разнообразных направлениях медицины, что это повысит качество работы врача, улучшит качество диагностики, повысит эффективность работы в целом. В ходе пилотного проекта в ЯНАО мы тесно сотрудничали и с медицинским персоналом, и со службой ИТ, получали от них обратную связь, что принесло пользу обоим сторонам.  Мы корректировали алгоритмы непосредственно под практические задачи, а врачи, в свою очередь, получали дополнительного помощника в анализе медицинских данных, что положительно сказалось на выявлении пациентов группы риска.

Как проводилось обучение ИИ? На каких данных? И с какими проблемами столкнулись в процессе?

Самое ценное и самое важное для нашего продукта – это качественные наборы медицинских данных, без которых никакое машинное обучение невозможно в принципе. Изначально на старте проекта мы использовали открытые международные наборы данных. Потом, по мере продвижения, покупали уже более детализированные и специализированные дата-сеты. Параллельно с этим мы вели с нашими партнерами работу по накоплению собственного банка биомедицинских данных. В результате этой работы мы накопили больше миллиона цифровых двойников пациентов и более 45 миллионов медицинских документов.

Из этого массива информации мы создаем собственные наборы данных и используем их для исследований и получения моделей. Процесс этот сложный и длительный. Далеко не всегда модель получается с минимально-необходимым качеством и точностью метрик. Бывает, что какие-то модели мы вообще в итоге отбрасываем, если видим, что результат нас не устраивает. Нередко наши специалисты тратят много времени на изучение международного опыта по той или иной задаче или дата-сету, подбирая различные модели машинного обучения.

Наконец, отдельное направление в обучении – это поиск предикторов болезней. По некоторым заболеваниям они хорошо известны, по некоторым – нет. Там, где предикторы известны – при создании модели на поверку получается, что разные признаки имеют разный вклад в точность модели. Существуют исследования, которые доказывают, что не только данные о здоровье влияют на риск развития заболевания. Например, социальная среда, наследственность, загрязненный воздух или близость местожительства к супермаркету и многие другие также воздействуют на степень риска. Все это мы изучаем и учитываем в нашей работе.

При создании моделей мы особый упор делаем на извлечение информации из неструктурированных медицинских карт. Конечно, информация в карте не всегда качественно представлена. Очень много врачебных записей ведется в текстовом, неструктурированном виде. Поэтому имеются большие сложности в интерпретации таких электронных карт. Но вместе с этим это очень ценный источник для анализа — в этих записях как правило зафиксированы важные жалобы, симптомы, информация о лекарственной терапии. Все это очень важно для полноценного анализа и влияет на итоговую оценку риска, прогнозы развития заболевании и т.д.

Чем отличается Webiomed от других, отечественных и зарубежных, систем по поддержке принятия врачебных решений?

Мы знаем о нескольких десятках продуктов, предназначенных для оценки рисков и предсказания развития заболеваний, около 10 из них являются достаточно зрелыми и сильными разработками, например, израильская компания MEDIAL EARLYSIGN или американская компания HealthReveal. Эти продукты нередко отличаются узкой специализацией: либо система предназначена для интерпретации только определенных данных, либо только для какого-то одного заболевания.

Наше отличие от конкурентов состоит в том, что мы не ограничиваем себя определенным видом данных и стараемся развивать продукт для всех основных хронических заболеваний, в том числе понимая важность учета коморбидных состояний и широкого спектра факторов риска и предикторов развитий болезней. Мы анализируем медицинские данные комплексно. Хотя в нашем проекте мы делаем упор на модели машинного обучения, но также используем известные клинические алгоритмы и элементы экспертных систем и решающих правил для решения простых вопросов.

Формирование итоговой оценки риска делается по нашей специальной методике. Это позволяет нам более точно определять как вероятность события, так и давать оценку пациенту по степени риска. Врачу предлагается полноценная и комплексная информация по пациенту.

Поделиться