Full Text

Использование современных компьютерных технологий для контроля здоровья пациентов с неинфекционными заболеваниями (НИЗ) — важная веха технического прогресса в здравоохранении. Доступ в интернет имеет как минимум 55% населения мира [1], более 5 млрд человек пользуются мобильными телефонами [2] с доступом к тысячам мобильных медицинских приложений [3], дающих возможность контроля здоровья пациентов в домашних условиях. Систематический обзор и метаанализ интернет-вмешательств, направленных на изменение поведения в отношении здоровья с помощью мобильных приложений в группах пациентов с НИЗ, показали значительные улучшения поведения индивидуумов в отношении таких факторов риска, как гиподинамия, неправильное питание и потребление алкоголя [4]. При этом предложение нескольких способов применения компьютерных технологий (через интернет плюс обмен текстовыми сообщениями) оказало большее влияние на поведение пациентов [4].
Обзоры коммуникационных технологий, используемых для предоставления медицинских услуг и облегчения взаимодействия пациентов и медицинских работников [5], показали, что улучшения в самоконтроле НИЗ не уступают положительным изменениям, вызванным структурированными программами на базе медицинских центров [6]. Аналогичным образом обзоры вмешательств с использованием мобильных текстовых сообщений показали устойчивое изменение поведения в отношении здоровья с помощью простого в использовании, гибкого и экономичного цифрового здравоохранения по сравнению с традиционными стационарными вмешательствами [7].
Современная клиническая практика все чаще основывается на учете фенотипических особенностей пациентов при назначении лечения. Персонализированная медицина, ориентированная на превентивные меры и улучшение способов лечения, опирается на генетические, фенотипические, экологические особенности и особенности образа жизни каждого отдельного человека. Рутинное наблюдение и рекомендации для пациентов имеют важное значение в лечении хронических заболеваний. В данном контексте искусственный интеллект (ИИ) может стать полезным компьютерным ассистентом для врачей. Применение ИИ уже показало свою эффективность при лечении нескольких заболеваний. Так, при контроле рациона питания, уровня глюкозы крови и физической активности в случае сахарного диабета также эффективен ИИ. При кардиоваскулярной патологии ИИ способен диагностировать фибрилляции предсердий, при легочной патологии может анализировать звуки дыхания пациента и предсказать возникновение и развитие респираторных заболеваний [8]. Важно отметить, что ИИ не заменяет врача и предназначен для использования в сочетании с экспертными знаниями врача с целью улучшения диагностики и принятия решений [9]. Кроме того, ИИ может снизить финансовые и временные затраты на диагностику хронических заболеваний, улучшая при этом качество медицинской помощи [10]. Исследования показали также, что комбинирование ИИ и опыта специалистов ведет к повышению точности диагностики раковых поражений кожи [11]. Алгоритм помогает врачу в сложных случаях, используя все доступные изображения, в то время как врач может с легкостью различить затемненные и размытые изображения, улучшить их качество перед применением алгоритма ИИ и сократить его возможные ошибки.
К позитивным эффектам использования ИИ можно отнести точную дифференциацию пациентов, страдающих от диабета, с теми, кто не имеет данного заболевания [12], прогнозировать микрососудистые осложнения (ретинопатию, нефропатию или невропатию) [13] и оценить важность предикторов диабета [14]. Кроме того, были предложены модели прогнозирования риска диабета, основанные на сочетании клинических знаний и методов ИИ 15].
В персонализированной медицине применяется стандартная рабочая схема использования больших данных и алгоритмов ИИ. Несколько источников данных о пациентах объединяются с общедоступными данными о различных крупных группах населения. Данная информация хранится на серверах с высоким уровнем защиты, чтобы использоваться в различных методах предварительной обработки. Эти методы включают в себя заполнение пропусков, нормализацию данных, сбалансирование и дополнение информации, объединение данных, а также отбор и выделение характеристик. Эти предварительно обработанные данные затем используются в качестве входных данных для моделей прогнозирования ИИ и его обучения [16].
Применение ИИ в медицине также сопряжено с рядом проблем: отсутствием критического мышления у ИИ и высокими затратами на сбор данных [17, 18]. Так, в дерматологии применение алгоритмов ИИ использовали, чтобы отличить доброкачественные родинки от злокачественных [19]. Основным объектом внимания в этой области было выявление меланомы, поскольку она часто дает метастазы и, как известно, вызывает более 80% смертей от рака кожи у светлокожих людей [20]. Однако немеланомные виды рака кожи также анализируются с использованием ИИ. Повсеместное распространение мобильных устройств, которые в большинстве случаев имеют встроенную цифровую камеру, дает возможность внедрить теледерматологию в качестве общепринятой практики [21].
Другие варианты использования мобильных приложений для здравоохранения на основе ИИ включают анализ результатов лечения пациентов после операций [22] или решение таких проблем общественного здравоохранения, как ведение пациентов с новой коронавирусной инфекцией [23]. Эти примеры представляют лишь каплю в океане изобилия решений, доступных при использовании мобильных здравоохранительных приложений на базе ИИ. Эти решения способны значительно улучшить состояние глобального здоровья, в особенности для жителей бедных регионов.
Внедрение ИИ в мобильном здравоохранении
Обеспечение конфиденциальности и безопасности данных, создание образовательных программ, понимание принципов работы классификационных процессов и профессиональная оценка в области медицины также являются важными аспектами при использовании ИИ в медицинской практике. Преодоление этих проблем и решение вопросов, связанных с конфиденциальностью и безопасностью данных, позволят более широко применять ИИ в медицине.
Вопросы, связанные с технологией ИИ
Структура и происхождение данных.
Большое количество сложных и разнообразных баз данных создает проблему в стандартизации данных, полученных из различных источников, и их последующем объединении.
Лабораторные результаты часто страдают от неопределенности из-за случайных и систематических ошибок, что влияет на качество данных, поскольку их достоверность и точность могут зависеть от оператора.
Для эффективного обучения алгоритмов ИИ необходимы большие объемы данных.
Значительное внимание требуется уделять архитектуре алгоритмов.
Недостаточная воспроизводимость результатов становится проблемой, поскольку различные процессы обучения могут привести к разным прогнозам в разных клинических условиях.
Проблемы с переоснащением: модели ИИ могут оказаться неспособными к обобщению для больших и различных групп населения.
Высокие требования к вычислительной мощности и времени.
Вариабельность, постоянное дополнение внутри- и межиндивидуальных данных.
Нюансы, связанные с медицинскими исследованиями
Интеграция различных дисциплин в процессе исследований.
Обеспечение безопасности и конфиденциальности данных, полученных от разных личностей и необходимых для обучения алгоритмов.
Разработка образовательной программы, основанной на принципах глубокого обучения.
Необходимость осознания работы классификационных процессов.
Профессиональная оценка в области медицины: требуются подтверждение клиническими данными и проверка выявленных закономерностей.
В эпоху активного информационного развития поиск открытых и достоверных данных для обучения ИИ представляет большую сложность. Ресурсозатраты, сопровождающие сбор данных, а также нерешенные вопросы из области этики, в первую очередь вытекающие из необходимости обеспечивать конфиденциальность клинической информации, тормозят развитие алгоритмов ИИ. В случае использования небольших баз данных эти алгоритмы не способны эффективно обобщить результаты на всю популяцию [9], что можно исправить генерацией синтетических данных (моделированием) [27]. Например, для оценки риска развития диабета 2-го типа исследователи использовали моделированные данные в сочетании с алгоритмами ИИ. Путем сопоставления результатов пяти различных исследований они смогли проанализировать согласованность выводов, полученных из модельных данных, с выводами, основанными на реальных данных [28]. Было установлено, что синтетические данные предоставляют серьезное основание для формирования клинических гипотез. Генерация синтетических данных является новой областью, показавшей многообещающие результаты и требующей дополнительного исследования [29].
Несмотря на наличие действующих руководящих принципов и правил, все еще отсутствуют унифицированные методы измерения клинических результатов методов поддержки здоровья через мобильные приложения, а также стратегии для поддержания участия пользователей и изменения их поведения в долгосрочной перспективе. Внедрение ИИ может значительно улучшить персонализацию, уровень вовлеченности пользователей и помочь выбрать более здоровый образ жизни. Однако перед тем как мобильные приложения на основе ИИ и методы мобильного здравоохранения смогут быть интегрированы в повседневную клиническую практику и удаленное медицинское обслуживание, необходимо решить несколько проблем. Так, сбор и нормализация информации, воспроизводимость и неопределенность результатов работы ИИ, а также сложность вычислений представляют собой технические преграды, требующие дальнейшего исследования. Преодоление этих препятствий будет способствовать широкому применению данной технологии в медицине. Необходимо также решить вопросы безопасности и конфиденциальности пользовательских данных, чтобы создать доверие к использованию мобильных приложений, основанных на ИИ. Применение синтетических данных для тренировки алгоритмов ИИ является перспективным подходом для частичного преодоления данных сложностей.
Другие проблемы, с которыми сталкиваются при использовании ИИ в медицинских приложениях, включают время обработки алгоритма, которое имеет решающее значение для диагностического инструмента, требующего быстрых результатов. Однако о времени обработки информации, равно как и об оборудовании, используемом для проведения экспериментов, сообщается редко [30]. Таким образом, необходимы дальнейшие исследования в области применения ИИ в персонализированной медицине и мобильных приложениях. Кроме того, для повышения эффективности и расширения использования ИИ пациентами и медицинскими работниками необходимо разработать политику управления конфиденциальными данными, основанную на критериях качества, а также установить протоколы стандартизации сбора данных.
Основные этические принципы использования ИИ
Новый доклад ВОЗ «Этика и управление искусственным интеллектом в интересах здравоохранения» за 2021 г. [31] является ресурсом, который подробно исследует эту тему и призывает к обеспечению этичного и ответственного использования технологий ИИ. Целью доклада является создание руководства для обеспечения надежного управления ИИ и его оптимальной интеграции в медицинскую сферу, что является важным шагом в развитии современного здравоохранения. Отчет охватывает важные аспекты, связанные с этикой и рисками применения ИИ в здравоохранении.
Защита автономии. С учетом использования ИИ в медицинской практике, необходимо обеспечивать пациентам право контролировать их данные и решения, связанные со здоровьем. Необходимо разработать механизмы согласования и согласия, которые учитывают особенности использования ИИ в диагностике и лечении.
Содействие благополучию людей, их безопасности и общественным интересам. Необходимо гарантировать, что внедрение ИИ в здравоохранение принесет реальную пользу пациентам и не представляет угрозы их безопасности, учитывать общественные интересы при разработке и внедрении ИИ-решений, чтобы избежать возможных негативных последствий для общества.
Обеспечение прозрачности, объяснимости и разборчивости. Обеспечение прозрачности алгоритмов и принципов работы системы необходимо, чтобы пациенты и медицинские специалисты могли понимать, как ИИ принимает свои решения. Развитие методов объяснения принятых решений способствует повышению уровня доверия и принятия ИИ в медицинской среде.
Повышение ответственности и подотчетности. Предполагается установить ответственные структуру и нормативы для использования ИИ в здравоохранении; содействовать механизмам ответственности в случае возникновения ошибок или проблем при использовании ИИ.
Обеспечение инклюзивности и справедливости. Оно должно гарантировать, что разработка и применение ИИ в здравоохранении учитывает разнообразие пациентов и их потребностей. Требуется избегать дискриминации при обучении алгоритмов на основе данных, чтобы предотвратить возможные неравенства в результате действия ИИ.
Обеспечить эффективное управление и успешную интеграцию ИИ в медицинскую практику с учетом этических норм и минимизации рисков может следующее:
продвижение адаптивного и устойчивого ИИ;
эффективное преодоление актуальных вызовов, связанных с интеграцией мобильных приложений в сферу здравоохранения и путей применения ИИ в медицинских системах [9];
осуществление выработки и внедрения международных программ сертификации для мобильных приложений в области здравоохранения, обеспечивающих стандартизированный и безопасный уровень функциональности;
продвижение разработки новых моделей и установление глобальных стандартов для обработки данных, направленных на оценку удобства использования и применимости ИИ в медицинской среде;
формирование единых методологий для измерения степени вовлеченности пользователей и клинических результатов, связанных с изменениями в поведении, вызванными использованием мобильных здравоохранительных приложений;
разработка инновационных протоколов, нацеленных на систематизацию и стандартизацию процессов сбора и нормализации данных. Использование уникального подхода к объединению разнообразных источников информации с целью снижения степени неопределенности в результатах и расширения обучающей базы данных, способствующих улучшению обобщенных алгоритмов на основе ИИ;
анализ и выделение нормативных протоколов и стратегий, основанных на высоких стандартах качества; целью является обеспечение абсолютной конфиденциальности и безопасности пользовательских данных в мобильных приложениях в области здравоохранения, эксплуатация ИИ для повышения воспроизводимости полученных результатов на основе высоких стандартов.
Такие меры не только устраняют текущие препятствия, но и способствуют созданию общепризнанных норм и практик в области медицинского информационного обмена, открывая новые перспективы для внедрения инновационных технологий в здравоохранение.
Заключение
В последние годы возросло использование ИИ и больших массивов данных в медицине. Действительно, использование ИИ в приложениях для мобильного здравоохранения может значительно помочь отдельным лицам и медицинским работникам в профилактике и лечении хронических заболеваний с учетом интересов человека. Тем не менее есть несколько проблем, которые необходимо решать, чтобы создавать высококачественные, удобные и эффективные приложения мобильного здравоохранения. Внедрение приложений ИИ и мобильных технологий в сфере здравоохранения станет возможным только после преодоления основных проблем, связанных с конфиденциальностью и безопасностью личных данных пациентов, качественной оценкой результатов, а также предсказуемостью ИИ. Определять клинические результаты и стимулировать пользователей к изменению поведения в долгосрочной перспективе в рамках мобильного здравоохранения по-прежнему очень сложно. Не существует единых стандартизированных методов измерения эффективности мобильных приложений в области здравоохранения, а также способов поощрения и поддержки вовлеченности пользователей на долгосрочной основе. Тем не менее существуют предпосылки к преодолению этих преград, что в конечном счете приведет к массовому внедрению приложений, основанных на ИИ, в жизнь населения и улучшению его здоровья.

About the authors

K R Amlaev

The Federal State Budget Educational Institution of Higher Education “The Stavropol State Medical University” of Minzdrav of Russia, 355017, Stavropol, Russia

Author for correspondence.
Email: kum672002@mail.ru

H T Dakhkilgova

The Federal State Budget Educational Institution of Higher Education “The Stavropol State Medical University” of Minzdrav of Russia, 355017, Stavropol, Russia

Email: hava.dahkilgova@gmail.com

V N Mazharov

The Federal State Budget Educational Institution of Higher Education “The Stavropol State Medical University”, 355017, Stavropol, Russia

Email: postmaster@stgmu.ru

References

Statistics